BR112020010226B1 - Sistema de computador e método de modelagem digital de doenças em culturas em campos agronômicos - Google Patents
Sistema de computador e método de modelagem digital de doenças em culturas em campos agronômicos Download PDFInfo
- Publication number
- BR112020010226B1 BR112020010226B1 BR112020010226-1A BR112020010226A BR112020010226B1 BR 112020010226 B1 BR112020010226 B1 BR 112020010226B1 BR 112020010226 A BR112020010226 A BR 112020010226A BR 112020010226 B1 BR112020010226 B1 BR 112020010226B1
- Authority
- BR
- Brazil
- Prior art keywords
- data
- crop
- disease
- field
- risk factors
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 155
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000009418 agronomic effect Effects 0.000 title description 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 239000000417 fungicide Substances 0.000 claims description 55
- 230000000855 fungicidal effect Effects 0.000 claims description 52
- 239000002689 soil Substances 0.000 claims description 44
- 230000001186 cumulative effect Effects 0.000 claims description 33
- 238000013515 script Methods 0.000 claims description 26
- 238000003967 crop rotation Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000007170 pathology Effects 0.000 abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 104
- 229910052757 nitrogen Inorganic materials 0.000 description 52
- 238000007726 management method Methods 0.000 description 34
- 238000004891 communication Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 18
- 238000003971 tillage Methods 0.000 description 16
- 238000003973 irrigation Methods 0.000 description 15
- 230000002262 irrigation Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000013459 approach Methods 0.000 description 13
- 239000003337 fertilizer Substances 0.000 description 12
- 238000013479 data entry Methods 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 10
- 238000004883 computer application Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000012546 transfer Methods 0.000 description 9
- 230000006735 deficit Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000003306 harvesting Methods 0.000 description 7
- 239000000575 pesticide Substances 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000035558 fertility Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241001124569 Lycaenidae Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000005341 cation exchange Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006806 disease prevention Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000714197 Avian myeloblastosis-associated virus Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 101150037717 Mavs gene Proteins 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Um sistema e método para identificar uma probabilidade de a doença afetar uma cultura com base nos dados recebidos em uma rede são descritos aqui e podem ser implementados usando computadores para fornecer melhorias na patologia da planta, controle de pragas da planta, agricultura ou gerenciamento agrícola. Em uma modalidade, um computador servidor recebe dados de risco ambiental, dados de cultura e dados de gerenciamento de cultura relacionados a uma ou mais culturas em um campo. O sistema de computador de inteligência agrícola 130 calcula um ou mais fatores de risco para as culturas com base, pelo menos em parte, nos dados das culturas, um ou mais fatores de risco para o ambiente, pelo menos em parte, os dados ambientais e um ou mais fatores de risco para o gerenciamento das culturas, pelo menos em parte, nos dados de gerenciamento de culturas. Usando um modelo digital de probabilidade de doença, o sistema de computador de inteligência agrícola 130 calcula uma probabilidade de início de uma doença específica para uma ou mais culturas no campo com base, pelo menos em parte, nos um ou mais fatores de risco da cultura, nos ou mais fatores de risco ambientais e em um ou mais fatores (...).
Description
[001] Uma parte da divulgação deste documento de patente contém material que está sujeito à proteção de direitos autorais. O proprietário dos direitos não tem nenhuma objecção à reprodução facsímile por ninguém do documento de patente ou a divulgação de patentes, como aparece no arquivo ou registros de patentes do Escritório de Marcas e Patentes, mas caso contrário reserva todos os direitos autorais ou direitos de qualquer natureza. © 2015-2018 The Climate Corporation.
[002] A presente divulgação refere-se à modelagem digital dos campos agronômicos usando um computador servidor, usando processo programado para fornecer melhorias nas tecnologias de patologia de plantas, controle de pragas de plantas, agricultura ou gerenciamento agrícola. Especificamente, a presente divulgação refere- se à modelagem de uma probabilidade de doenças específicas que se apresentam em um campo com base em dados do campo e, em seguida, ao uso dos modelos de dados resultantes para melhorar a patologia da planta, o controle de pragas, a agricultura ou o gerenciamento agrícola.
[003] As abordagens descritas nesta seção são abordagens que poderiam ser realizadas, mas não necessariamente abordagens que foram previamente concebidas ou realizadas. Portanto, a menos que seja indicado de outra forma, não se deve presumir que qualquer uma das abordagens descritas nesta seção seja qualificada como técnica anterior apenas em virtude de sua inclusão nesta seção.
[004] Os gerentes do campo são confrontados com uma ampla variedade de decisões a serem tomadas com relação ao gerenciamento dos campos agrícolas. Essas decisões vão desde determinar qual cultura plantar, que tipo de semente plantar para a cultura, quando colher uma cultura, se deve ser plantio direto, irrigação, aplicação de pesticidas, aplicação de fungicidas e aplicação de fertilizantes e que tipos de pesticidas, fungicidas e fertilizantes a serem aplicados.
[005] Os gerentes do campo também devem enfrentar fenômenos externos que afetam o rendimento de suas culturas. Por exemplo, certas doenças podem ter um grande impacto na saúde de uma cultura e, portanto, na quantidade que a cultura produz. O milho, em particular, é suscetível a doenças como a ferrugem das folhas do norte e a mancha cinzenta das folhas.
[006] Para combater os efeitos de doenças nas culturas, um gerente do campo pode aplicar fungicida a um campo. O fungicida reduz o risco de aparecimento de doenças e, em alguns casos, pode reduzir os efeitos das doenças atualmente no campo. Embora a aplicação de fungicida seja útil na prevenção de doenças, ela também tem um custo. A aplicação de fungicida em um campo que não corre o risco de ser afetado por uma doença pode ser um desperdício que custa a um gerente do campo parte da receita total da venda da cultura.
[007] Geralmente, um gerente do campo não tem uma boa maneira de determinar se o campo está sendo afetado por uma doença ou está prestes a ser afetado por uma doença. Um gerente do campo que mantém centenas de acres de culturas pode não ter a capacidade de verificar manualmente cada cultura quanto aos sinais de doença. Além disso, um gerente do campo é incapaz de determinar quando, se alguma vez, uma doença pode se apresentar nas culturas.
[008] Assim, existe uma necessidade de um sistema ou método que rastreie a probabilidade de aparecimento de uma doença em uma lieHção>8W22M)WS21 ,dte 18í011122021,,pág5.95174: cultura.
[009] As Reivindicações anexas podem servir como um sumário da divulgação.
[0010] A FIG. 1 ilustra um exemplo de sistema de computador que está configurado para executar as funções aqui descritas, mostradas em um ambiente do campo com outro aparelho com o qual o sistema pode interoperar.
[0011] A FIG. 2 ilustra duas vistas de uma organização lógica de exemplo de conjuntos de instruções na memória principal quando um aplicativo móvel de exemplo é carregado para execução.
[0012] A FIG. 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados agronômicos fornecidos por uma ou mais fontes de dados.
[0013] A FIG. 4 é um diagrama de blocos que ilustra um sistema de computador no qual uma modalidade da invenção pode ser implementada.
[0014] A FIG. 5 representa um exemplo de modalidade de uma visualização da linha do tempo para entrada de dados.
[0015] A FIG. 6 representa um exemplo de modalidade de uma vista de planilha para entrada de dados.
[0016] A FIG. 7 representa um método para determinar o risco de doença de uma cultura em um campo com base nos dados recebidos em relação à cultura.
[0017] Na seguinte descrição, para fins de explicação, inúmeros detalhes específicos são apresentados a fim de proporcionar um entendimento completo da presente divulgação. Será evidente, no entanto, que modalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos conhecidos são mostrados na forma de diagrama de blocos para evitar obscurecer desnecessariamente a presente divulgação. As modalidades são divulgadas em seções de acordo com o seguinte esboço:
[0018] 1. VISÃO GERAL
[0019] 2. EXEMPLO DE SISTEMA DE
[0020] 2.1 VISÃO GERAL ESTRUTURAL
[0021] 2.2 VISÃO GERAL DO PROGRAMA DE APLICATIVO
[0022] 2.3 CONSUMO DE DADOS PARA O SISTEMA DO
[0023] 2.4 VISÃO GERAL DO PROCESSO - TREINAMENTO DO
[0024] 2.5 EXEMPLO DE IMPLEMENTAÇÃO-VISÃO GERAL DE
[0025] 3. DETERMINAÇÃO DO RISCO DE DOENÇA
[0026] 3.1. DADOS RECEBIDOS
[0027] 3.2 GERAÇÃO DE FATOR
[0028] 3.3 MODELAGEM DIGITAL DE DOENÇAS
[0029] 3.4 USO DE DADOS
[0030] 4. BENEFÍCIOS DE CERTAS MODALIDADES
[0031] 5. EXTENSÕES E ALTERNATIVAS
[0032] Sistemas e métodos para rastrear o início da doença em um ou mais campos são descritos aqui. Em uma modalidade, os dados meteorológicos são usados para determinar um risco ambiental de doença que se apresenta na cultura. Usando o risco ambiental, os dados relacionados à cultura, como a suscetibilidade de híbridos e/ou maturidade relativa, e os dados relacionados ao gerenciamento do campo, como plantio direto, colheita e/ou aplicação de produtos, o computador servidor modela o risco da doença que se apresenta na cultura durante um período de tempo específico. Se o computador servidor determinar que a doença se apresentou ou se apresentará na cultura, ele poderá fazer recomendações para prevenir a doença e/ou gerar um script usado para controlar um implemento no campo, fazendo com que o implemento pulverize o campo com um fungicida ou tome outras medidas preventivas de doenças.
[0033] Em uma modalidade, um método compreende o recebimento de dados de risco ambiental, dados de culturas e dados de gerenciamento de culturas relacionados a uma ou mais culturas em um campo; calcular um ou mais fatores de risco de culturas com base, pelo menos em parte, nos dados da cultura; calcular um ou mais fatores de risco ambiental com base, pelo menos em parte, nos dados de risco ambiental; calcular um ou mais fatores de risco de gerenciamento de culturas com base, pelo menos em parte, nos dados de gerenciamento de culturas; usar um modelo digital de probabilidade de doença, calculando uma probabilidade de início de uma doença específica para uma ou mais culturas no campo, com base, pelo menos em parte, nos um ou mais fatores de risco das culturas, nos um ou mais fatores de risco ambientais, e um ou mais fatores de gerenciamento de culturas.
[0034] A FIG. 1 ilustra um exemplo de sistema de computador que está configurado para executar as funções aqui descritas, mostradas em um ambiente do campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 controla, opera ou possui um dispositivo de computação gerenciador do campo 104 em um local do campo ou associado a um local do campo, como um campo destinado a atividades agrícolas ou um local de gerenciamento para um ou mais campos agrícolas. O dispositivo de computador gerenciador do campo 104 é programado ou configurado para fornecer dados do campo 106 a um sistema de computador de inteligência agrícola 130 através de uma ou mais redes 109.
[0035] Exemplos de dados do campo 106 incluem (a) identificar os dados (por exemplo, área cultivada, nome do campo, identificadores do campo, identificadores geográficos, identificadores de limites, identificadores de culturas e quaisquer outros dados adequados que possam ser usados para identificar terras agrícolas, como uma unidade de terra comum (CLU), número do lote e do bloco, número da parcela, coordenadas geográficas e limites, número de série da fazenda (FSN), número da fazenda, número do trato, número do campo, seção, município e/ou área), (b) coletar os dados (por exemplo, tipo de cultura, variedade de culturas, rotação de culturas, se a cultura é cultivada organicamente, data da colheita, Histórico Real de Produção (APH)), rendimento esperado, rendimento, preço da colheita, receita da colheita, umidade dos grãos, prática de lavoura e anterior informações sobre a estação de crescimento, (c) dados do solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca catiônica (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipos de sementes, maturidade relativa (RM) de sementes plantadas, população de sementes), (e) dados de fertilizantes (por exemplo, tipo de nutriente (nitrogênio, fósforo, potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de pesticida (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas a ser usadas como regulador da planta, desfolhante ou dessecante, data da aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data da aplicação, quantidade, fonte, método), (h) dados meteorológicos (por exemplo, precipitação, taxa de precipitação), precipitação prevista, região da taxa de escoamento de água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações sobre o espectro de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, avião ou satélite), (j) observações de aferição (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, precipitação (atual ao longo do tempo), umidade do solo, estágio de crescimento das culturas, velocidade do vento, umidade relativa, ponto de orvalho, camada negra)) e (k) solo, sementes, fenologia das culturas, relatórios de pragas e doenças e fontes e bancos de dados de previsões.
[0036] Um computador servidor de dados 108 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109. O computador do servidor de dados externos 108 pode ser controlado ou operado pela mesma pessoa ou entidade jurídica que o sistema de computador de inteligência agrícola 130 ou por uma pessoa ou entidade diferente, como uma agência governamental, organização não governamental (NGO) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados meteorológicos, dados de imagens, dados do solo ou dados estatísticos relacionados ao rendimento das culturas, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informação que os dados do campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externo 108 controlados pela mesma entidade que controla e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo de dados que de outra forma poderiam ser obtidos de fontes de terceiros, como dados meteorológicos. Em algumas modalidades, um servidor de dados externo 108 pode realmente ser incorporado dentro do sistema 130.
[0037] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixados no mesmo, cujos sensores são acoplados comunicativamente, direta ou indiretamente, por meio do aparelho agrícola 111, ao sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sistema de computador de inteligência agrícola 130. Exemplos de aparelhos agrícolas 111 incluem tratores, ceifeiras, colheitadeiras, plantadeiras, caminhões, equipamentos de fertilizantes, veículos aéreos não tripulados e qualquer outro item de maquinário físico ou hardware, tipicamente maquinário móvel e que pode ser usado em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode compreender vários sensores 112 que são acoplados localmente em uma rede no aparelho; a rede de área do controlador (CAN) é exemplo de uma rede que pode ser instalada em colheitadeiras ou ceifadeiras. O controlador de aplicação 114 é acoplado comunicativamente ao sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109 e é programado ou configurado para receber um ou mais script para controlar um parâmetro operacional de um veículo agrícola ou implementar no sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área do controlador (CAN) pode ser usada para permitir comunicações do sistema de inteligência agrícola 130 para o aparelho agrícola 111, como o CLIMATE FIELDVIEW DRIVE, disponível na The Climate Corporation, San Francisco, Califórnia, é usado. Os dados do sensor podem consistir no mesmo tipo de informação que os dados do campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser fixados a um aparelho agrícola 111, mas podem estar localizados remotamente no campo e podem se comunicar com a rede 109.
[0038] O aparelho 111 pode compreender um computador de cabine 115 que é programado com um aplicativo de cabine, que pode compreender uma versão ou variante do aplicativo móvel para o dispositivo 104 que é descrita adicionalmente em outras seções neste documento. Em uma modalidade, o computador da cabine 115 compreende um computador compacto, geralmente um computador do tamanho de um tablet ou smartphone, com um visor de tela gráfica, como uma tela colorida, que é montada dentro da cabine do operador do aparelho 111. O computador de cabine 115 pode implementar algumas ou todas as operações e funções que são descritas aqui mais adiante para o dispositivo de computador móvel 104.
[0039] A(s) rede(s) 109 representam amplamente qualquer combinação de uma ou mais redes de comunicação de dados, incluindo redes de área local, redes de longa distância, redes ou internets, usando qualquer um dos links com ou sem fio, incluindo links terrestres ou por satélite. A(s) rede(s) pode(m) ser implementada(s) por qualquer meio ou mecanismo que forneça a troca de dados entre os vários elementos da FIG. 1. Os vários elementos da FIG. 1 também podem ter links de comunicação direta (com ou sem fio). Os sensores 112, controlador 114, computador servidor de dados externo 108 e outros elementos do sistema compreendem uma interface compatível com a(s) rede(s) 109 e são programados ou configurados para usar protocolos padronizados para comunicação através das redes, como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, como HTTP, TLS e semelhantes.
[0040] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber dados do campo 106 do dispositivo de computação gerenciador do campo 104, dados externos 110 do computador de servidor de dados externo 108 e dados do sensor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser ainda configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica programada digitalmente como FPGAs ou ASICs ou qualquer combinação dos mesmos para executar tradução e armazenamento de valores de dados, construção do modelos digitais uma ou mais culturas em um ou mais campos, geração de recomendações e notificações e geração e envio de scripts para o controlador de aplicação 114, da maneira descrita mais adiante em outras seções desta divulgação.
[0041] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de gerenciamento de dados 140, camada de hardware/virtualização 150 e repositório de dados do modelo e do campo 160. “Camada”, neste contexto, refere-se a qualquer combinação de circuitos eletrônicos de interface digital, microcontroladores, firmware, como drivers e/ou programas de computador ou outros elementos de software.
[0042] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada/saída, incluindo o envio de solicitações ao dispositivo de computador do gerenciador do campo 104, computador servidor de dados externo 108 e sensor remoto 112 para dados do campo, dados externos e dados do sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o repositório de dados do modelo e do campo 160 para serem armazenados como dados do campo 106.
[0043] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica do usuário (GUI) a ser exibida no dispositivo de computação gerenciador do campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 através da rede 109. A GUI pode compreender controles para a entrada de dados a serem enviados ao sistema de computador de inteligência agrícola 130, gerando solicitações dos modelos e/ou recomendações e/ou exibindo recomendações, notificações, modelos e outros dados do campo.
[0044] A camada de gerenciamento de dados 140 pode ser programada ou configurada para gerenciar operações de leitura e operações de gravação envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo conjunto de consultas e resultados comunicados entre os elementos funcionais do sistema e do repositório. Exemplos da camada de gerenciamento de dados 140 incluem JDBC, código de interface do servidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Conforme usado aqui, o termo “banco de dados” pode se referir a um corpo de dados, a um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado neste documento, um banco de dados pode compreender qualquer coleta de dados, incluindo bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivos simples, bancos de dados objeto-relacionais, bancos de dados orientados a objetos e qualquer outra coleção estruturada de registros ou dados armazenados em um sistema de computador. Exemplos de RDBMS incluem, mas não se limitam a, bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado para ativar os sistemas e métodos aqui descritos.
[0045] Quando os dados do campo 106 não são fornecidos diretamente ao sistema de computação de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrícolas que interagem com o sistema de computação de inteligência agrícola, o usuário pode ser solicitado por meio de uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) para inserir essas informações. Em uma modalidade exemplificativa, o usuário pode especificar os dados de identificação acessando um mapa no dispositivo do usuário (servido pelo sistema de computador de inteligência agrícola) e selecionando CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação acessando um mapa no dispositivo do usuário (servido pelo sistema de computador de inteligência agrícola 130) e desenhando limites do campo sobre o mapa. Esses desenhos de seleção ou mapa da CLU representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar os dados de identificação acessando os dados de identificação do campo (fornecidos como arquivos de formato ou em um formato semelhante) da U. S. Department of Agriculture Farm Service Agency ou outra fonte através do dispositivo do usuário e fornecendo esses dados de identificação do campo ao sistema de computador de inteligência agrícola.
[0046] Em uma modalidade exemplificativa, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibição de uma interface gráfica do usuário compreendendo um gerenciador de dados para entrada de dados. Após a identificação de um ou mais campos usando os métodos descritos anteriormente, o gerenciador de dados pode fornecer um ou mais widgets da interface gráfica do usuário que, quando selecionados, podem identificar alterações nas práticas do campo, solo, culturas, plantio direto ou nutriente. O gerenciador de dados pode incluir uma visualização da linha do tempo, uma visualização de planilha e/ou um ou mais programas editáveis.
[0047] A FIG. 5 representa um exemplo de modalidade de uma visualização da linha do tempo para entrada de dados. Utilizando a tela representada na FIG. 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição de evento. Os eventos descritos na parte superior da linha do tempo podem incluir Nitrogênio, Plantio, Práticas e Solo. Para adicionar um evento de aplicação de nitrogênio, um computador do usuário pode fornecer entradas para selecionar a aba de nitrogênio. O computador do usuário pode então selecionar um local na linha do tempo para um campo específico, a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de um local na linha do tempo para um campo específico, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador do usuário insira os dados referentes a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de plantio direto, práticas de irrigação ou outras informações relacionadas a um campo específico. Por exemplo, se um computador de usuário selecionar uma parte da linha do tempo e indicar uma aplicação de nitrogênio, então a sobreposição de entrada de dados pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.
[0048] Em uma modalidade, o gerenciador de dados fornece uma interface para criar um ou mais programas. “Programa”, neste contexto, refere-se a um conjunto de dados referentes a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de plantio direto, práticas de irrigação ou outras informações que possam estar relacionadas a um ou mais campos e que possam ser armazenadas em armazenamento digital de dados para reutilização como um conjunto em outras operações. Após a criação de um programa, ele pode ser aplicado conceitualmente a um ou mais campos e as referências ao programa podem ser armazenadas no armazenamento digital em associação com os dados que identificam os campos. Assim, em vez de inserir manualmente os dados idênticos relacionados às mesmas aplicações de nitrogênio para vários campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação específica de nitrogênio e depois aplicar o programa a vários campos diferentes. Por exemplo, na visualização da linha do tempo da FIG. 5, as duas principais linhas de tempo têm o programa “Aplicado no outono” selecionado, que inclui uma aplicação de 150 libras N/ac no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa específico é editado, cada campo que selecionou o programa específico é editado. Por exemplo, na FIG. 5, se o programa “Aplicado no outono” for editado para reduzir a aplicação de nitrogênio a 130 libras N/ac, os dois campos principais poderão ser atualizados com uma aplicação reduzida de nitrogênio com base no programa editado.
[0049] Em uma modalidade, em resposta ao recebimento de edições em um campo que possui um programa selecionado, o gerenciador de dados remove a correspondência do campo com o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na FIG. 5, a interface pode ser atualizada para indicar que o programa “Aplicado no outono” não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa “Aplicado no outono” não alterariam a aplicação de nitrogênio em abril.
[0050] A FIG. 6 representa um exemplo de modalidade de uma visualização da planilha para entrada de dados. Utilizando a tela representada na FIG. 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir informações com relação ao Nitrogênio, Plantio, Práticas e Solo, como representado na FIG. 6. Para editar uma entrada específica, o computador do usuário pode selecionar a entrada específica na planilha e atualizar os valores. Por exemplo, a FIG. 6 representa uma atualização em andamento para um valor de rendimento alvo para o segundo campo. Além disso, um computador de usuário pode selecionar um ou mais campos para aplicar um ou mais programas. Em resposta ao recebimento de uma seleção de um programa para um campo específico, o gerenciador de dados pode preencher automaticamente as entradas para o campo específico com base no programa selecionado. Como na visualização da linha do tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado a um programa específico em resposta ao recebimento de uma atualização para o programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado no campo em resposta ao recebimento de uma edição em uma das entradas do campo.
[0051] Em uma modalidade, os dados do modelo e do campo são armazenados no repositório de dados do modelo e do campo 160. Os dados do modelo compreendem os modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura em um ou mais campos. “Modelo”, neste contexto, refere-se a um conjunto eletrônico de instruções executáveis e valores de dados armazenados digitalmente, associados entre si, capazes de receber e responder a uma chamada programática ou outra chamada, invocação ou solicitação de resolução baseada em valores de entrada especificados, para gerar um ou mais valores de saída armazenados que podem servir como base de recomendações implementadas por computador, exibição de dados de saída ou controle da máquina, entre outras coisas. Os versados na área acham conveniente expressar os modelos usando equações matemáticas, mas essa forma de expressão não limita os modelos aqui divulgados a conceitos abstratos; em vez disso, cada modelo aqui tem uma aplicação prática em um computador na forma de instruções executáveis armazenadas e dados que implementam o modelo usando o computador. O modelo pode incluir um modelo de eventos passados em um ou mais campos, um modelo do status atual de um ou mais campos e/ou um modelo de eventos preditos em um ou mais campos. Os dados do modelo e do campo podem ser armazenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos ou planilhas simples ou outras formas de dados digitais armazenados.
[0052] Em uma modalidade, cada uma das instruções de cálculo de fatores 136 e das instruções de modelagem de doença 138 compreende um conjunto de uma ou mais páginas da memória principal, como RAM, no sistema de computador de inteligência agrícola 130 no qual instruções executáveis foram carregadas e que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações aqui descritas com referência a esses módulos. Por exemplo, as instruções de cálculo de fatores 136 podem compreender um conjunto de páginas na RAM que contêm instruções que, quando executadas, fazem com que as funções de cálculo de fatores aqui descritas sejam executadas. As instruções podem estar no código executável da máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base no código fonte escrito em JAVA, C, C ++, OBJECTIVE-C ou em qualquer outra linguagem ou ambiente de programação legível por humanos, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto fonte de programação. O termo “páginas” pretende se referir amplamente a qualquer região na memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou da arquitetura do processador. Em outra modalidade, cada uma das instruções de cálculo de fatores 136 e das instruções de modelagem da doença 138 também podem representar um ou mais arquivos ou projetos de código fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, como RAM não volátil ou armazenamento em disco, no sistema de inteligência agrícola 130 ou um sistema de repositório separado que, quando compilado ou interpretado, faz com que instruções executáveis sejam geradas que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações descritas aqui com referência a esses módulos. Em outras palavras, a figura do desenho pode representar a maneira pela qual os programadores ou desenvolvedores de software organizam e arranjam o código de fonte para compilação posterior em um executável, ou interpretação em código de bytes ou equivalente, para execução pelo sistema de inteligência agrícola 130.
[0053] A camada de hardware/virtualização 150 compreende uma ou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sistema de computador, como memória volátil ou não volátil, armazenamento não volátil, como disco, e dispositivos ou interfaces I/O, conforme ilustrado e descrito, por exemplo, em conjunto com a FIG. 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou outras tecnologias.
[0054] Para fins de ilustrar um exemplo claro, a FIG. 1 mostra um número limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, as modalidades podem usar milhares ou milhões de diferentes dispositivos de computação móvel 104 associados a diferentes usuários. Além disso, o sistema 130 e/ou o computador do servidor de dados externo 108 pode ser implementado usando dois ou mais processadores, núcleos, clusters ou instâncias de máquinas físicas ou máquinas virtuais, configuradas em um local discreto ou colocalizadas com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.
[0055] Em uma modalidade, a implementação das funções descritas aqui usando um ou mais programas de computador ou outros elementos de software carregados e executados usando um ou mais computadores de uso geral fará com que os computadores de uso geral sejam configurados como uma máquina específica ou como um computador especialmente adaptado para executar as funções descritas neste documento. Além disso, cada um dos diagramas de fluxo aqui descritos mais adiante pode servir, sozinho ou em combinação com as descrições de processos e funções em prosa aqui, como algoritmos, planos ou instruções que podem ser usados para programar um computador ou lógica para implementar as funções que são descritos. Em outras palavras, todo o texto em prosa aqui, e todas as figuras em desenho, juntos, pretendem fornecer a divulgação de algoritmos, planos ou instruções que são suficientes para permitir que uma pessoa qualificada programe um computador para executar as funções aqui descritas, em combinação com a habilidade e o conhecimento de tal pessoa, dado o nível de habilidade apropriado para invenções e divulgações desse tipo.
[0056] Em uma modalidade, o usuário 102 interage com o sistema de computador de inteligência agrícola 130 usando o dispositivo de computação de gerenciador do campo 104 configurado com um sistema operacional e um ou mais programas ou aplicativos de aplicação; o dispositivo de computação gerenciador do campo 104 também pode interoperar com o sistema de computador de inteligência agrícola de forma independente e automática sob controle do programa ou controle lógico e nem sempre é necessária a interação direta do usuário. O dispositivo de computação gerenciador do campo 104 representa amplamente um ou mais de um smartphone, PDA, dispositivo de computação para tablet, laptop, computador de mesa, estação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções aqui descritas. O dispositivo de computação gerenciador do campo 104 pode se comunicar por meio de rede usando um aplicativo móvel armazenado no dispositivo de computação gerenciador do campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado usando um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um usuário específico 102 pode controlar, operar ou possuir e usar, em conjunto com o sistema 130, mais de um dispositivo de computação gerenciador do campo 104 de cada vez.
[0057] O aplicativo móvel pode fornecer funcionalidade do lado do cliente, por meio da rede, a um ou mais dispositivos de computação móvel. Em uma modalidade exemplificativa, o dispositivo de computação gerenciador do campo 104 pode acessar o aplicativo móvel por meio de um navegador da Web ou de uma aplicação ou aplicativo do cliente local. O dispositivo de computação gerenciador do campo 104 pode transmitir dados para e receber dados de um ou mais servidores front-end, usando protocolos ou formatos baseados na Web, como HTTP, XML e/ou JSON, ou protocolos específicos de aplicativos. Em uma modalidade exemplificativa, os dados podem assumir a forma de solicitações e entrada de informações do usuário, como dados do campo, no dispositivo de computação móvel. Em algumas modalidades, o aplicativo móvel interage com o hardware e software de rastreamento de localização no dispositivo de computação gerenciador do campo 104, que determina a localização do dispositivo de computação gerenciador do campo 104, utilizando técnicas de rastreamento padrão, como multilateração de sinais de rádio, sistema de posicionamento global (GPS), sistemas de posicionamento WiFi ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou outros dados associados ao dispositivo 104, usuário 102 e/ou conta(s) de usuário podem ser obtidos através de consultas a um sistema operacional do dispositivo ou solicitando um aplicativo no dispositivo para obter dados do sistema operacional.
[0058] Em uma modalidade, o dispositivo de computação gerenciador do campo 104 envia os dados do campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não se limitando a, valores de dados que representam um ou mais de: uma localização geográfica de um ou mais campos, informações de plantio direto para um ou mais campos, culturas plantadas em um ou mais campos e dados do solo extraídos de um ou mais campos. O dispositivo de computação gerenciador do campo 104 pode enviar dados do campo 106 em resposta à entrada de usuário do usuário 102, especificando os valores de dados para um ou mais campos. Além disso, o dispositivo de computação gerenciador do campo 104 pode enviar automaticamente os dados do campo 106 quando um ou mais dos valores de dados ficam disponíveis para o dispositivo de computação gerenciador do campo 104. Por exemplo, o dispositivo de computação gerenciador do campo 104 pode ser acoplado de forma comunicativa ao sensor remoto 112 e/ou controlador de aplicação 114. Em resposta à recepção de dados indicando que o controlador de aplicação 114 liberou água para um ou mais campos, o dispositivo de computação gerenciador do campo 104 pode enviar os dados do campo 106 para o sistema de computador de inteligência agrícola 130, indicando que a água foi liberada nos um ou mais campos. Os dados do campo 106 identificados nesta divulgação podem ser introduzidos e comunicados usando dados digitais eletrônicos que são comunicados entre dispositivos de computação usando URLs parametrizados sobre HTTP, ou outro protocolo de comunicação ou mensagem adequado.
[0059] Um exemplo comercial do aplicativo móvel é CLIMATE FIELDVIEW, disponível comercialmente na The Climate Corporation, San Francisco, Califórnia. O aplicativo CLIMATE FIELDVIEW, ou outros aplicativos, pode ser modificado, estendido ou adaptado para incluir características, funções e programação que não foram divulgadas antes da data de depósito desta divulgação. Em uma modalidade, o aplicativo móvel compreende uma plataforma de software integrada que permite ao produtor tomar decisões baseadas em fatos para sua operação porque combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor deseje comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem cenários potenciais para permitir que o produtor tome decisões melhores e mais informadas.
[0060] A FIG. 2 ilustra duas vistas de uma organização lógica de exemplo de conjuntos de instruções na memória principal quando um aplicativo móvel de exemplo é carregado para execução. Na FIG. 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento em disco ou outro armazenamento não volátil, e as instruções programadas nessas regiões. Em uma modalidade, na vista (a), um aplicativo de computador móvel 200 compreende instruções 202 de compartilhamento de consumo de dados em campos de conta, instruções de visão geral e alerta 204, instruções de livro de mapas digitais 206, instruções de sementes e plantio 208, instruções de nitrogênio 210, instruções sobre o clima 212, instruções de saúde do campo 214 e instruções de desempenho 216.
[0061] Em uma modalidade, um aplicativo de computador móvel 200 compreende instruções de compartilhamento de consumo de dados em campos de conta 202 que são programadas para receber, traduzir e ingerir dados do campo de sistemas de terceiros por meio de upload manual ou APIs. Os tipos de dados podem incluir limites do campo, mapas de produtividade, mapas conforme plantados, resultados de testes do solo, mapas conforme aplicados e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir arquivos de formato, formatos de dados nativos de terceiros e/ou exportações de sistemas de informações de gerenciamento de fazendas (FMIS), entre outros. O recebimento de dados pode ocorrer por meio de upload manual, email com anexo, APIs externas que enviam dados para o aplicativo móvel ou instruções que chamam APIs de sistemas externos para extrair dados para o aplicativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao recebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode exibir uma interface gráfica do usuário para carregar manualmente arquivos de dados e importar arquivos enviados para um gerenciador de dados.
[0062] Em uma modalidade, as instruções digitais do livro de mapas 206 compreendem as camadas de dados do mapa do campo armazenadas na memória do dispositivo e são programadas com ferramentas de visualização de dados e notas do campo geoespaciais. Isso fornece aos produtores informações convenientes à mão para referência, registro e percepções visuais sobre o desempenho em campo. Em uma modalidade, as instruções de visão geral e de alerta 204 são programadas para fornecer uma visão de toda a operação do que é importante para o produtor e recomendações oportunas para agir ou se concentrar em questões específicas. Isso permite que o produtor concentre o tempo no que precisa de atenção, economizando tempo e preservando o rendimento ao longo da estação. Em uma modalidade, as instruções de sementes e plantio 208 são programadas para fornecer ferramentas para seleção de sementes, colocação híbrida e criação de scripts, incluindo a criação de scripts de taxa variável (VR), com base em modelos científicos e dados empíricos. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento através da compra, colocação e população otimizadas de sementes.
[0063] Em uma modalidade, as instruções de geração de script 205 são programadas para fornecer uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permite que os produtores criem scripts para implementos do campo, como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para identificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, como as camadas de dados do mapa do campo criadas como parte das instruções digitais do livro de mapas 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo, juntamente com um painel que identifica cada zona de solo e um nome, textura, drenagem para cada zona ou outros dados do campo. O aplicativo de computador móvel 200 também pode exibir ferramentas para editar ou criar, tais como ferramentas gráficas para desenhar zonas de gerenciamento, como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de gerenciamento ou diferentes procedimentos de plantio podem ser aplicados a diferentes subconjuntos de zonas de gerenciamento. Quando um script é criado, o aplicativo de computador móvel 200 pode disponibilizar o script para download em um formato legível por um controlador de aplicação, como um formato arquivado ou compactado. Além disso, e/ou alternativamente, um script pode ser enviado diretamente ao computador de cabine 115 a partir do aplicativo de computador móvel 200 e/ou carregado para um ou mais servidores de dados e armazenado para uso posterior.
[0064] Em uma modalidade, as instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar as decisões de nitrogênio, visualizando a disponibilidade de nitrogênio nas culturas. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento através da aplicação otimizada de nitrogênio durante a estação. Exemplos de funções programadas incluem a exibição de imagens como imagens SSURGO para permitir o desenho de zonas de aplicação e/ou imagens geradas a partir de dados do solo do subcampo, como dados obtidos de sensores, em uma alta resolução espacial (tão fina quanto 10 metros ou menor, devido à proximidade ao solo); upload de zonas existentes definidas pelo produtor; o fornecimento de um gráfico de aplicação e/ou um mapa para permitir a aplicação(ões) de nitrogênio em várias zonas; saída de scripts para acionar máquinas; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. “Entrada de dados em massa”, nesse contexto, pode significar inserir dados uma vez e depois aplicar os mesmos dados a vários campos que foram definidos no sistema; dados de exemplo podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo produtor, mas essa entrada de dados em massa se aplica à entrada de qualquer tipo de dados do campo no aplicativo de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantio e práticas de nitrogênio e para aceitar entrada do usuário especificando para aplicar esses programas em vários campos. “Programas de plantio de nitrogênio”, neste contexto, refere-se a um conjunto de dados armazenados e nomeados que associam: um nome, código de cores ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação, como injetados ou cortados, e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou híbrido que é submetido a aplicação, entre outras. “Programas de práticas de nitrogênio”, neste contexto, refere-se a um conjunto de dados armazenados e nomeados que associam: um nome de práticas; uma cultura anterior; um sistema de plantio direto; uma data de plantio direto; um ou mais sistemas de plantio direto anteriores que foram utilizados; um ou mais indicadores do tipo de aplicação, como estrume, que foram utilizados. As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, que indica projeções do uso da planta do nitrogênio especificado e se é predito um excedente ou déficit; em algumas modalidades, indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador compreendendo uma pluralidade de linhas, cada linha associada e identificando um campo; dados que especificam qual cultura é plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada linha, uma linha do tempo por mês com indicadores gráficos especificando cada aplicação e quantidade de nitrogênio em pontos correlacionados aos nomes dos meses; e indicadores numéricos e/ou coloridos de excedente ou déficit, nos quais a cor indica magnitude. Em uma modalidade, o gráfico de nitrogênio pode incluir uma ou mais características de entrada do usuário, como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio, para que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, que indica projeções do uso da planta do nitrogênio especificado e se é predito um excedente ou déficit; em algumas modalidades, indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. O mapa de nitrogênio pode exibir projeções do uso da planta do nitrogênio especificado e se um excedente ou déficit é predito para diferentes épocas do passado e do futuro (como diária, semanal, mensal ou anualmente) usando indicadores numéricos e/ou coloridos de excedente ou déficit, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir uma ou mais características de entrada do usuário, como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio, de modo que um usuário possa otimizar seu mapa de nitrogênio, como obter uma quantidade preferida de excedente ao déficit. O usuário pode então usar seu mapa de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções semelhantes às instruções de nitrogênio 210 podem ser usadas para aplicação de outros nutrientes (como fósforo e potássio), aplicação de pesticidas e programas de irrigação.
[0065] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos do campo e informações meteorológicas previstas. Isso permite que os produtores economizem tempo e tenham uma exibição integrada eficiente em relação às decisões operacionais diárias.
[0066] Em uma modalidade, as instruções de saúde do campo 214 são programadas para fornecer imagens de detecção remota oportunas, destacando a variação da cultura na estação e possíveis preocupações. Exemplos de funções programadas incluem verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvens; determinação de índices de nitrogênio com base em imagens do campo; visualização gráfica de camadas de observação, incluindo, por exemplo, as relacionadas à saúde do campo e visualização e/ou compartilhamento de notas de aferição; e/ou transferência de imagens de satélite de várias fontes e priorização das imagens para o produtor, entre outras.
[0067] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de percepção usando dados na agricultura para avaliação, percepções e decisões. Isso permite que o produtor busque melhores resultados para o próximo ano através de conclusões baseadas em fatos sobre por que o retorno do investimento estava em níveis anteriores e uma visão dos fatores que limitam o rendimento. As instruções de desempenho 216 podem ser programadas para se comunicar através da(s) rede(s) 109 para programas de análise de back-end executados no sistema de computador de inteligência agrícola 130 e/ou computador servidor de dados externo 108 e configurados para analisar métricas como rendimento, híbrido, população, SSURGO, testes do solo ou elevação, entre outras. Os relatórios e análises programados podem incluir análise da variabilidade da produção, benchmarking da produção e outras métricas em relação a outros produtores com base em dados anonimizados coletados de muitos produtores, ou dados para sementes e plantio, entre outros.
[0068] Os aplicativos com instruções configuradas dessa maneira podem ser implementados para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface do usuário. Por exemplo, o aplicativo móvel pode ser programado para execução em tablets, smartphones ou computadores servidores acessados usando navegadores nos computadores clientes. Além disso, o aplicativo móvel configurado para computadores tablet ou smartphones pode fornecer uma experiência completa do aplicativo ou uma experiência do aplicativo de cabine que é adequada para as capacidades de exibição e processamento do computador de cabine 115. Por exemplo, referindo-se agora à vista (b) da FIG. 2, em uma modalidade, um aplicativo de computador de cabine 220 pode compreender instruções de mapas de cabine 222, instruções de visualização remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de script 230 e instruções de cabine de reconhecimento 232. A base de código das instruções da vista (b) pode ser a mesma da vista (a) e os executáveis que implementam o código podem ser programados para detectar o tipo de plataforma na qual estão executando e expor, por meio de uma interface gráfica do usuário, somente as funções que são apropriadas para uma plataforma de cabine ou plataforma completa. Essa abordagem permite que o sistema reconheça a experiência do usuário distintamente diferente, apropriada para um ambiente na cabine e o ambiente tecnológico diferente da cabine. As instruções de mapas- cabine 222 podem ser programadas para fornecer visualizações de mapas dos campos, fazendas ou regiões que são úteis no direcionamento da operação da máquina. As instruções de visualização remota 224 podem ser programadas para ligar, gerenciar e fornecer visualizações da atividade da máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados ao sistema 130 por meio de redes sem fio, conectores ou adaptadores com fio e semelhantes. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer a transferência de dados coletados em sensores e controladores para o sistema 130 através de redes sem fio, conectores ou adaptadores com fio e semelhantes. As instruções de alerta da máquina 228 podem ser programadas para detectar problemas nas operações da máquina ou ferramentas associadas à cabine e gerar alertas do operador. As instruções de transferência de script 230 podem ser configuradas para transferir scripts de instruções que são configuradas para direcionar as operações da máquina ou a coleta de dados. As instruções da cabine de aferição 232 podem ser programadas para exibir alertas e informações com base em localização recebidas do sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo e consumir, gerenciar e fornecer transferência de observações de aferição baseadas em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo.
[0069] Em uma modalidade, o computador servidor de dados externo 108 armazena dados externos 110, incluindo dados do solo representando a composição do solo para um ou mais campos e dados meteorológicos representando temperatura e precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos passados e presentes, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externo 108 compreende uma pluralidade de servidores hospedados por diferentes entidades. Por exemplo, um primeiro servidor pode conter dados de composição do solo, enquanto um segundo servidor pode incluir dados meteorológicos. Além disso, os dados de composição do solo podem ser armazenados em vários servidores. Por exemplo, um servidor pode armazenar dados representando porcentagem de areia, lodo e argila no solo, enquanto um segundo servidor pode armazenar dados representando porcentagem de matéria orgânica (OM) no solo.
[0070] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, como satélites, sensores de veículos, sensores de equipamentos de plantio, sensores de lavoura, sensores de aplicação de fertilizantes ou inseticidas, sensores de colheitadeiras e qualquer outro implemento capaz de receber dados de um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para controlar um parâmetro operacional de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro operacional de um veículo, como um trator, equipamento de plantio, equipamento de lavoura, equipamento para fertilizantes ou inseticidas, equipamento para colheitadeiras ou outros implementos agrícolas, como uma válvula de água. Outras modalidades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.
[0071] O sistema 130 pode obter ou consumir dados sob controle do usuário 102, em massa, de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obtenção de dados pode ser denominada “consumo manual de dados”, quando uma ou mais operações de computador controladas pelo usuário são solicitadas ou acionadas para obter dados para uso pelo sistema 130. Como um exemplo, o aplicativo CLIMATE FIELDVIEW, disponível comercialmente na The Climate Corporation, San Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no repositório 160.
[0072] Por exemplo, os sistemas de monitoramento de sementes podem controlar os componentes do aparelho de plantador e obter dados de plantio, incluindo sinais de sensores de sementes por meio de um chicote de sinal que compreende uma espinha dorsal da CAN e conexões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e outras informações para o usuário através do computador da cabine 115 ou outros dispositivos dentro do sistema 130. Exemplos são divulgados na Patente US 8.738.243 e Publicação de Patente US 20150094916, e a presente divulgação pressupõe conhecimento dessas outras divulgações de patentes.
[0073] Da mesma forma, os sistemas de monitoramento de rendimento podem conter sensores de rendimento para aparelhos de colheitadeira que enviam dados de medição de rendimento para o computador da cabine 115 ou outros dispositivos dentro do sistema 130. Os sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade dos grãos em uma colheitadera ou outra ceifadeira e transmitir essas medições ao usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130.
[0074] Em uma modalidade, os exemplos de sensores 112 que podem ser utilizados com qualquer veículo ou aparelho em movimento do tipo descrito em qualquer outra parte deste documento incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um dos sensores de velocidade, como sensores de velocidade do radar ou da roda, acelerômetros ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores GPS ou aplicativos de mapeamento ou posição baseados em WiFi que são programados para determinar a localização com base em pontos de acesso WiFi próximos, entre outros.
[0075] Em uma modalidade, exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sensores de velocidade do motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com sinais de GPS ou radar, sensores de velocidade PTO (poder de decolar), sensores hidráulicos do trator configurados para detectar parâmetros hidráulicos, como pressão ou fluxo, e/ou velocidade da bomba hidráulica, sensores de velocidade das rodas ou sensores de derrapagem das rodas. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade de bombas hidráulicas; controladores ou reguladores de velocidade; controladores de posição de engate; ou controladores de posição da roda fornecem direção automática.
[0076] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamentos de plantio de sementes, como plantadeiras, brocas ou semeadores de ar incluem sensores de sementes, que podem ser sensores ópticos, eletromagnéticos ou de impacto; sensores de força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade do solo, como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores ópticos de resíduos ou sensores de temperatura; sensores de critérios de operação de componentes, como sensores de profundidade de plantio, sensores de pressão do cilindro de força descendente, sensores de velocidade de disco de semente, codificadores de motor de acionamento de semente, sensores de velocidade de sistema de transporte de semente ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas, como sensores ópticos ou outros eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser usados com esse equipamento de plantio de sementes incluem: controladores de dobra da barra de ferramentas, como controladores de válvulas associadas a cilindros hidráulicos; controladores de força descendente, como controladores de válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos, e programados para aplicar força descendente a unidades de fileira individuais ou a uma estrutura de plantadeira inteira; controladores de profundidade de plantio, como atuadores lineares; controladores de medição, como motores de acionamento do medidor de semente elétrico, motores de acionamento do medidor de semente hidráulico ou embreagens de controle de faixa; controladores de seleção híbridos, como motores de acionamento de medidores de sementes ou outros atuadores programados para permitir ou impedir seletivamente que sementes ou uma mistura de sementes de ar forneçam sementes para ou de medidores de sementes ou tremonhas centrais; controladores de medição, como motores de acionamento do medidor de semente elétrico ou motores de acionamento do medidor de semente hidráulico; controladores de sistema de transportador de sementes, como controladores de um motor transportador de entrega de sementes de correia; controladores de marcadores, como um controlador de um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, como controladores de unidades de medição, controladores de tamanho ou posição de orifícios.
[0077] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de plantio direto incluem sensores de posição para ferramentas como hastes ou discos; sensores de posição da ferramenta para ferramentas configuradas para detectar profundidade, ângulo de ataque ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com equipamento de preparo do solo incluem controladores de força descendente ou controladores de posição da ferramenta, tais como controladores configurados para controlar a profundidade da ferramenta, o ângulo de ataque ou o espaçamento lateral.
[0078] Em uma modalidade, exemplos de sensores 112 que podem ser utilizados em relação a aparelhos para aplicação de fertilizantes, inseticidas, fungicidas e semelhantes, como sistemas de fertilizantes iniciantes na plantadeira, aplicadores de fertilizantes no subsolo ou pulverizadores de fertilizantes, incluem: sensores de critérios de sistema de fluido, como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas da cabeça de pulverização ou válvulas da linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores de linha de suprimento secional ou em todo o sistema ou sensores de linha de suprimento específicos da linha; ou sensores cinemáticos, como acelerômetros dispostos nas barras do pulverizador. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com tais aparelhos incluem controladores de velocidade da bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e semelhantes; ou atuadores de posição, como altura da barra, profundidade do subsolador ou posição da barra.
[0079] Em uma modalidade, exemplos de sensores 112 que podem ser usados com colheitadeiras incluem monitores de rendimento, tais como medidores de tensão da placa de impacto ou sensores de posição, sensores de fluxo capacitivo, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou trados, ou ópticos ou outros sensores eletromagnéticos de altura de grão; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios operacionais do cabeçalho, como altura do cabeçalho, tipo de cabeçalho, folga da placa da plataforma, velocidade do alimentador e sensores de velocidade do molinete; sensores de critérios operacionais do separador, como sensores de folga côncava, velocidade do rotor, folga de sapato ou folga de amortecedor; sensores de broca para posição, operação ou velocidade; ou sensores de velocidade do motor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios operacionais de cabeçalho para elementos como altura do cabeçalho, tipo de cabeçalho, folga da placa de convés, velocidade do alimentador ou velocidade do molinete; controladores de critérios operacionais do separador para características como folga côncava, velocidade do rotor, folga da sapata ou folga do amortecedor; ou controladores para posição, operação ou velocidade do trado.
[0080] Em uma modalidade, exemplos de sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso ou sensores para posição, operação ou velocidade do trado. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade do trado.
[0081] Em uma modalidade, exemplos de sensores 112 e controladores 114 podem ser instalados em aparelhos de veículo aéreo não tripulado (UAV) ou “drones”. Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro eletromagnético, incluindo luz visível, infravermelho, ultravioleta, infravermelho próximo (NIR) e semelhantes; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de pitot ou outros sensores de velocidade do ar ou velocidade do vento; sensores de vida útil da bateria; emissores de radar e aparelhos de detecção de energia por radar refletido. Esses controladores podem incluir aparelhos de orientação ou controle de motor, controladores de superfície de controle, controladores de câmera ou controladores programados para ligar, operar, obter dados para gerenciar e configurar qualquer um dos sensores anteriores. Exemplos são divulgados no Pedido de patente US n° 14/831.165 e a presente divulgação pressupõe o conhecimento dessa outra divulgação de patente.
[0082] Em uma modalidade, os sensores 112 e controladores 114 podem ser afixados ao aparelho de amostragem e medição de solo que é configurado ou programado para amostrar o solo e executar testes de química do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Patente US 8.767.194 e Patente US 8.712.148 pode ser usado e a presente divulgação pressupõe conhecimento dessas divulgações de patentes.
[0083] Em uma modalidade, os sensores 112 e controladores 114 podem compreender dispositivos climáticos para monitorar as condições climáticas dos campos. Por exemplo, o aparelho divulgado no Pedido Provisório US n° 62/154.207, depositado em 29 de abril de 2015, Pedido Provisório US n° 62/175.160, depositado em 12 de junho de 2015, Pedido Provisório US n° 62/198.060, depositado em 28 de julho de 2015 e o Pedido Provisório US n° 62/220.852, depositado em 18 de setembro de 2015 podem ser utilizados e a presente divulgação pressupõe o conhecimento dessas divulgações de patentes.
[0084] Em uma modalidade, o sistema de computador de inteligência agrícola 130 é programado ou configurado para criar um modelo agronômico. Nesse contexto, um modelo agronômico é uma estrutura de dados em memória do sistema de computador de inteligência agrícola 130 que compreende dados do campo 106, como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico também pode compreender propriedades agronômicas calculadas que descrevem condições que podem afetar o crescimento de uma ou mais culturas em um campo, ou propriedades de uma ou mais culturas, ou ambos. Além disso, um modelo agronômico pode compreender recomendações baseadas em fatores agronômicos, como recomendações de culturas, recomendações de irrigação, recomendações de plantio e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, como rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa da quantidade da cultura que é produzida ou, em alguns exemplos, a receita ou o lucro obtido com a cultura produzida.
[0085] Em uma modalidade, o sistema de computador de inteligência agrícola 130 pode usar um modelo agronômico pré- configurado para calcular as propriedades agronômicas relacionadas à localização e às informações de cultura atualmente recebidas para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados do campo processados anteriormente, incluindo, entre outros, dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado cruzado para garantir a precisão do modelo. A validação cruzada pode incluir comparação com valas terrestres que compara resultados previstos com resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro ou sensor que fornece dados climáticos no mesmo local ou nas proximidades ou uma estimativa do teor de nitrogênio com uma medição de amostra de solo.
[0086] A FIG. 3 ilustra um processo programado pelo qual o sistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados do campo fornecidos por uma ou mais fontes de dados. A FIG. 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para executar as operações que são agora descritas.
[0087] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar o pré- processamento de dados agronômicos de dados do campo recebidos de uma ou mais fontes de dados. Os dados do campo recebidos de uma ou mais fontes de dados podem ser pré-processados com a finalidade de remover ruídos e efeitos de distorção nos dados agronômicos, incluindo valores extremos medidos que influenciariam nos valores de dados do campo recebidos. As modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a, remover valores de dados comumente associados a valores de dados externos, pontos de dados medidos específicos que são conhecidos por distorcer desnecessariamente outros valores de dados, técnicas de suavização de dados usadas para remover ou reduzir os efeitos aditivos ou multiplicativos do ruído e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre entradas de dados positivas e negativas.
[0088] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para executar a seleção de subconjunto de dados usando os dados do campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração inicial do modelo agronômico. O sistema de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjunto de dados incluindo, mas sem limitação, um método de algoritmo genético, um método de todos os modelos de subconjuntos, um método de pesquisa sequencial, um método de regressão por etapas, um método de otimização de enxame de partículas e um método de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptativa, com base nos princípios evolucionários da seleção natural e genética, para determinar e avaliar os conjuntos de dados nos dados agronômicos pré- processados.
[0089] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a avaliação do conjunto de dados do campo. Em uma modalidade, um conjunto de dados do campo específico é avaliado através da criação de um modelo agronômico e do uso de limites de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados usando técnicas de validação cruzada, incluindo, mas não se limitando a, erro quadrático médio da validação cruzada de exclusão única (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, o RMSECV pode validar cruzado modelos agronômicos comparando os valores de propriedades agronômicas preditos criados pelo modelo agronômico com os valores históricos de propriedades agronômicas coletados e analisados. Em uma modalidade, a lógica de avaliação do conjunto de dados agronômicos é usada como um loop de feedback, onde conjuntos de dados agronômicos que não atendem aos limites de qualidade configurados são usados durante as etapas futuras de seleção de subconjuntos de dados (bloco 310).
[0090] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a criação do modelo agronômico com base nos conjuntos de dados agronômicos validados de forma cruzada. Em uma modalidade, a criação do modelo agronômico pode implementar técnicas de regressão multivariada para criar modelos de dados agronômicos pré-configurados.
[0091] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para futura avaliação de dados do campo. 2.5 EXEMPLO DE IMPLEMENTAÇÃO-VISÃO GERAL DE HARDWARE
[0092] De acordo com uma modalidade, as técnicas descritas neste documento são implementadas por um ou mais dispositivos de computação para fins especiais. Os dispositivos de computação para fins especiais podem ser conectados para executar as técnicas, ou podem incluir dispositivos eletrônicos digitais, como um ou mais circuitos integrados para aplicações específicas (ASICs) ou arranjos de portas programáveis em campo (FPGAs) que são programadas persistentemente para executar as técnicas, ou pode incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com as instruções do programa em firmware, memória, outro armazenamento ou uma combinação. Esses dispositivos de computação para fins especiais também podem combinar lógica personalizada, ASICs ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação para fins especiais podem ser sistemas de computadores de mesa, sistemas de computadores portáteis, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica cabeada e/ou de programa para implementar as técnicas.
[0093] Por exemplo, a FIG. 4 é um diagrama de blocos que ilustra um sistema de computador 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para a comunicação de informações e um processador de hardware 404 acoplado ao barramento 402 para o processamento de informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[0094] O sistema de computador 400 também inclui uma memória principal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em meio de armazenamento não transitório acessível ao processador 404, tornam o sistema de computador 400 em uma máquina de finalidade especial que é personalizada para executar as operações especificadas nas instruções. O sistema de computador 400 inclui ainda uma memória somente leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações estáticas e instruções para o processador 404. Um dispositivo de armazenamento 410, como um disco magnético, disco óptico ou unidade de estado sólido, é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.
[0095] O sistema de computador 400 pode ser acoplado por meio de barramento 402 a uma tela 412, como um tubo de raios catódicos (CRT), para exibir informações a um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e seleções de comando ao processador 404. Outro tipo de dispositivo de entrada do usuário é o controle do cursor 416, como mouse, trackball ou teclas de direção do cursor para comunicar informações de direção e seleções de comando ao processador 404 e para controlar o movimento do cursor na tela 412. Esse dispositivo de entrada normalmente possui dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite ao dispositivo especificar posições em um plano.
[0096] O sistema de computador 400 pode implementar as técnicas descritas neste documento usando lógica de conexão cabeada personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combinação com o sistema de computador, faz ou programa o sistema de computador 400 como uma máquina para fins especiais. De acordo com uma modalidade, as técnicas aqui apresentadas são realizadas pelo sistema de computador 400 em resposta ao processador 404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, como o dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 pode fazer com que um processador 404 execute as etapas de processo descritas neste documento. Em modalidades alternativas, o circuito com conexão cabeada pode ser usado no lugar de ou em combinação com as instruções do software.
[0097] O termo “meio de armazenamento”, conforme aqui utilizado, refere-se a qualquer meio não transitório que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Tais meios de armazenamento podem compreender meios não voláteis e/ou meio volátil. O meio não volátil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, como o dispositivo de armazenamento 410. O meio volátil inclui memória dinâmica, como a memória principal 406. Formas comuns de meio de armazenamento incluem, por exemplo, um disquete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio magnético de armazenamento de dados, um CD-ROM, qualquer outro meio óptico de armazenamento de dados, qualquer meio físico com padrões de orifícios, RAM, PROM e EPROM, FLASH-EPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[0098] O meio de armazenamento é distinto, mas pode ser usado em conjunto com o meio a de transmissão. O meio de transmissão participa da transferência de informações entre os meios de armazenamento. Por exemplo, o meio de transmissão inclui cabos coaxiais, fios de cobre e fibras ópticas, incluindo os fios que compreendem o barramento 402. Os meios de transmissão também podem assumir a forma de ondas acústicas ou de luz, como as geradas durante a comunicação de dados por ondas de rádio e infravermelho.
[0099] Várias formas de meios podem estar envolvidas no transporte de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções na memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor de infravermelho para converter os dados em um sinal de infravermelho. Um detector de infravermelho pode receber os dados transportados no sinal infravermelho e o circuito apropriado pode colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem opcionalmente ser armazenadas no dispositivo de armazenamento 410 antes ou após a execução pelo processador 404.
[00100] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de comunicação 418 fornece um acoplamento de comunicação de dados bidirecional a um link de rede 420 que está conectado a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem a cabo, modem por satélite ou um modem para fornecer uma conexão de comunicação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede local (LAN) para fornecer uma conexão de comunicação de dados a uma
[00101] LAN compatível. Os links sem fio também podem ser implementados.
[00102] Em qualquer uma dessas implementações, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais representando vários tipos de informação.
[00103] O link de rede 420 normalmente fornece comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o link de rede 420 pode fornecer uma conexão através da rede local 422 a um computador hospedeiro 424 ou a um equipamento de dados operado por um Provedor de Serviços de Internet (ISP) 426. O ISP 426, por sua vez, fornece serviços de comunicação de dados por meio da rede mundial de comunicação de dados por pacotes, agora conhecida como “Internet” 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no link de rede 420 e através da interface de comunicação 418, que transportam os dados digitais para e do sistema de computador 400, são exemplos de formas de meios de transmissão.
[00104] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da(s) rede(s), link de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 deve transmitir um código solicitado para um programa de aplicativo através da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.
[00105] O código recebido pode ser executado pelo processador 404 à medida que é recebido e/ou armazenado no dispositivo de armazenamento 410, ou outro armazenamento não volátil para execução posterior.
[00106] A FIG. 7 representa um método para determinar o risco de doença de uma cultura em um campo com base nos dados recebidos em relação à cultura.
[00107] Na etapa 702, são recebidos dados de risco ambiental, dados de cultura e dados de gerenciamento de cultura relacionados a uma ou mais culturas em um campo. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber dados dos dispositivos de computação gerenciador do campo 104 em relação a um ou mais campos. Adicional ou alternativamente, o sistema de computador de inteligência agrícola 130 pode receber informações sobre um ou mais campos associados aos dispositivos de computação gerenciador do campo 104 de um ou mais sensores remotos em ou sobre um ou mais campos, um ou mais satélites, um ou mais veículos aéreos tripulados ou não tripulados (MAVs ou UAVs), um ou mais sensores em movimento e/ou um ou mais servidores de dados externos 108. Os dados podem incluir descrições do campo, dados do solo, dados de plantio, dados de fertilidade, dados de colheita e rendimento, dados de proteção de culturas, dados de pragas e doenças, dados de irrigação, dados de plantio direto, imagens, dados meteorológicos e dados adicionais de gerenciamento.
[00108] Os dados de risco ambiental podem identificar um risco de doença com base em mudanças no ambiente. Mudanças no ambiente podem incluir mudanças de temperatura e umidade. Os dados de risco ambiental podem indicar um número de horas e/ou dias de risco acumulados entre o plantio de uma cultura e uma hora ou data da avaliação de risco. As horas e os dias de risco, conforme aqui utilizados, referem-se a horas e dias, respectivamente, em que a cultura é considerada em risco de desenvolver a doença com base em dados ambientais. Por exemplo, uma hora de risco pode ser identificada se a temperatura no campo estiver dentro de uma primeira faixa de valores e a umidade no campo estiver dentro de uma segunda faixa de valores. Em uma modalidade, os dados de risco ambiental incluem dados de séries temporais. Os dados de risco ambiental podem indicar quais horas entre o plantio e um momento de avaliação de risco foram identificadas como horas de risco. Como exemplo, os dados de risco ambiental podem indicar que cinco horas no dia após o plantio foram identificadas como horas de risco, mas apenas quatro horas no dia seguinte foram identificadas como horas de risco.
[00109] Os dados da cultura podem incluir dados sobre a cultura em si. Por exemplo, os dados da cultura podem incluir a identificação do tipo de semente híbrida que foi plantada, um ou mais valores indicando uma tolerância da semente a um ou mais tipos de doenças e/ou classificação de maturidade relativa da semente. Os dados de gerenciamento de culturas podem incluir dados sobre o gerenciamento do campo. Por exemplo, os dados de gerenciamento de culturas podem incluir a identificação de um número de dias e/ou graus-dia de crescimento entre o plantio da cultura e um período de avaliação de risco, os dados anteriores de plantio e cultura, presença ou ausência de plantio direto no campo e/ou um tipo de plantio direto usado no campo. 3.2 GERAÇÃO DE FATOR
[00110] Na etapa 704, o processo calcula um ou mais fatores de risco de cultura com base, pelo menos em parte, nos dados da cultura. Por exemplo, o sistema de computador de inteligência agrícola 130 pode traduzir os dados de cultura recebidos em um ou mais fatores que podem ser usados para calcular um risco de doença no campo. Os fatores de risco da cultura podem incluir fatores baseados no tipo de semente híbrida e/ou na maturidade relativa do tipo de semente híbrida.
[00111] A tradução da identificação do tipo de semente híbrida plantada em um fator de risco para a cultura pode incluir o acesso a dados que associam diferentes tipos de sementes híbridas a um valor de suscetibilidade. Por exemplo, diferentes sementes híbridas podem ser classificadas com base na suscetibilidade a diferentes tipos de doenças. As classificações podem ser baseadas em testes do campo anteriores e/ou dados publicados das sementes. As classificações podem ser normalizadas para valores entre -1 e 1, em que um valor 1 indica que a semente é a mais suscetível à doença, enquanto um -1 indica que a semente é menos suscetível à doença. Em uma modalidade, onde o tipo de semente híbrida é desconhecido, um fator de tipo de semente pode ser definido como um valor médio. Por exemplo, onde tipos de sementes são normalizados para valores entre -1 e 1, um tipo de semente desconhecido pode receber um valor 0.
[00112] Um fator de maturidade relativo pode incluir um número inteiro da maturidade relativa da semente. Onde os dados que identificam um tipo de semente são recebidos, o sistema de computador de inteligência agrícola 130 pode determinar uma maturidade relativa com base no tipo de semente. Por exemplo, o sistema de computador de inteligência agrícola 130 pode acessar os dados armazenados no sistema de computador de inteligência agrícola 130 ou em um computador servidor externo que identifique a maturidade relativa de diferentes tipos de sementes. O sistema de computador de inteligência agrícola 130 pode recuperar o valor de maturidade relativo para o tipo de semente e usar o valor de maturidade relativo como um fator de maturidade relativo. Adicional ou alternativamente, o fator de maturidade relativo pode ser uma versão normalizada do valor inteiro de maturidade relativa.
[00113] Na etapa 706, o processo calcula um ou mais fatores de risco ambiental com base, pelo menos em parte, nos dados de risco ambiental. Por exemplo, o sistema de computador de inteligência agrícola 130 pode calcular um ou mais de um risco cumulativo de doença, uma integral do risco cumulativo de doença, um risco cumulativo normalizado de doença e/ou uma integral normalizada do risco cumulativo de doença.
[00114] O risco cumulativo de doença pode ser calculado como um somatório de horas e/ou dias de risco até um dia de medição. Por exemplo, o risco cumulativo de doença por um dia que é x dias após o plantio da cultura pode ser calculado como:
[00115] em que C é o risco cumulativo de doença x dias após o plantio da cultura e risco(dia) é um valor de risco ambiental para o dia. O risco(dia) valor pode ser um acúmulo de horas de risco para o dia e/ou um valor indicando se o dia foi considerado um dia de risco ou não.
[00116] A integral do risco cumulativo de doença pode ser calculada como um acúmulo do risco cumulativo de doença para cada dia até um dia de medição. Por exemplo, a integral do risco cumulativo de doença por um dia que é x dias após o plantio da cultura pode ser calculado como:
[00117] em que I é a integral do risco cumulativo de doença x dias após o plantio da cultura e C(dia) é a doença cumulativa de risco do dia. A integral do risco cumulativo da doença valoriza as horas de risco e/ou dias de risco que ocorreram mais perto do plantio ao longo das horas de risco e/ou dias de risco que ocorreram após o plantio.
[00118] O risco cumulativo normalizado pode ser calculado como o risco médio diário da doença, enquanto a integral normalizada pode ser calculada como uma função da integral do risco e tempo cumulativos da doença. Por exemplo, a integral normalizada pode ser computada como a integral do risco cumulativo de doença dividida pela integral do número cumulativo de dias após o plantio. Como um exemplo, o risco cumulativo normalizado da doença e a integral normalizada do risco cumulativo da doença podem ser calculados da seguinte maneira:
[00119] em que Cn(x) é o risco cumulativo normalizado da doença x dias após o plantio da cultura e In(x) é a integral normalizada do risco cumulativo da doença x dias após o plantio da cultura.
[00120] Na etapa 708, o processo calcula um ou mais fatores de risco de gerenciamento de cultura com base, pelo menos em parte, nos dados de gerenciamento da cultura. Por exemplo, o sistema de computador de inteligência agrícola 130 pode converter os dados de gerenciamento de culturas em fatores de gerenciamento de culturas usando dados armazenados no sistema de computador de inteligência agrícola 130. A identificação de um número de dias e/ou graus-dia em crescimento entre o plantio da cultura e um período de avaliação de risco pode ser usada nos cálculos dos fatores de risco ambientais descritos anteriormente e/ou usada como seu próprio fator. Outros dados de gerenciamento, como dados prévios de plantio e colheita, presença ou ausência de plantio direto no campo e/ou um tipo de plantio direto usado no campo podem ser traduzidos em valores que indicam aumento de risco ou diminuição de risco.
[00121] O sistema de computador de inteligência agrícola 130 pode armazenar dados indicando aumento ou diminuição do risco devido a diferentes práticas de gerenciamento. Por exemplo, a rotação de culturas pode ser identificada como diminuindo o risco de doença, enquanto uma ausência de rotação de culturas pode ser identificada como aumentando o risco de doença. Assim, a rotação de culturas pode receber um valor de -1, enquanto a ausência de rotação de culturas recebe um valor de 1. O sistema de computador de inteligência agrícola 130 pode atribuir um valor 0 quando não há dados de plantio anteriores suficientes para determinar se houve rotação de culturas. Adicional ou alternativamente, o sistema de computador de inteligência agrícola 130 pode atribuir valores para a rotação de culturas entre -1 e 1 com base em uma parte do campo que recebeu a rotação de culturas. Por exemplo, se metade do campo tiver rotação de culturas, o sistema de inteligência agrícola 130 pode atribuir um valor 0, se três quartos do campo tiverem rotação de culturas, o sistema de inteligência agrícola 130 pode atribuir um valor de 0,5.
[00122] A presença ou ausência de plantio direto no campo pode ser tratada de forma semelhante à presença e ausência de rotação de culturas. Por exemplo, a presença de plantio direto pode ser atribuída com o valor -1, enquanto a ausência de plantio direto com o valor 1. O sistema de computador de inteligência agrícola 130 pode atribuir um valor 0 se não houver informações sobre o plantio direto para o campo. Adicional ou alternativamente, o sistema de computador de inteligência agrícola 130 pode atribuir valores para a presença ou ausência de lavoura entre -1 e 1 com base em uma parte do campo que recebeu o plantio direto.
[00123] Para dados de colheita e tipo de plantio direto, o sistema de computador de inteligência agrícola 130 pode atribuir valores a diferentes tipos de colheita e diferentes tipos de plantio direto com base na quantidade em que o tipo de colheita e/ou o tipo de plantio direto afetam o risco de doença. Por exemplo, o preparo do solo convencional que tende a enterrar uma grande quantidade de resíduo pode receber um valor mais próximo de -1, enquanto o preparo do solo mínimo pode receber um valor mais próximo de 1. Outros tipos de preparo de solo podem receber um faixa de números com base em quão bem eles enterram resíduos ou diminuem o risco de doenças no campo. Os tipos de colheita podem ser tratados da mesma forma, em que os tipos de colheita que removem uma quantidade maior de resíduo recebem valores mais próximos de -1, enquanto os tipos de colheita que deixam para trás uma quantidade maior de resíduo recebem valores mais próximos de 1.
[00124] Fatores de irrigação e fungicida adicionalmente podem ser gerados pelo sistema de inteligência agrícola 130 com base em dados de irrigação e fungicida. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber dados identificando uma data/hora da aplicação de fungicida, uma quantidade de fungicida aplicada e uma área do campo em que o fungicida foi aplicado. Por um determinado dia, o fator fungicida pode ser baseado em vários dias desde a última aplicação de fungicida, uma quantidade de fungicida aplicada e/ou uma área do campo em que o fungicida foi aplicado. Por exemplo, um fator fungicida pode ser calculado como:
[00125] em que f é o fator fungicida, A é a porcentagem do campo no qual o fungicida foi aplicado e t é um valor de tempo igual a 0 na data da aplicação do fungicida e se aproxima de um na medida em que o número de dias desde que a aplicação se aproxima de um valor específico. Por exemplo, se um fungicida for considerado não mais eficaz após trinta dias, t pode se aproximar de 1 na medida em que o número de dias desde que o aplicativo se aproxima de trinta. Um segundo fator para um tipo de fungicida pode ser usado que se aproxima de -1 para fungicidas mais fortes e se aproxima de 0 para fungicidas mais fracos.
[00126] Uma equação semelhante pode ser usada para irrigação, o que aumenta a umidade e, assim, aumenta adicionalmente a probabilidade de maior umidade. O fator de irrigação pode adicionalmente compreender um valor que se aproxima de um tempo mais próximo de um período de irrigação e se aproxima de um valor negativo quanto mais a cultura for irrigada. Nas modalidades em que o sistema de computador de inteligência agrícola 130 recebe dados de umidade do solo, o sistema de computador de inteligência agrícola 130 pode associar umidade mais alta do solo com valores mais próximos de 1 e umidade mais baixa do solo com valores mais próximos de -1. Como resultado da conclusão das etapas 702 a 708, o computador servidor é capaz de modelar uma probabilidade de início da doença usando uma pluralidade de fatores diferentes com base nos dados recebidos.
[00127] Na etapa 710, o processo usa um modelo digital de probabilidade de doença para calcular uma probabilidade de início de uma doença específica para uma ou mais culturas no campo com base, pelo menos em parte, nos um ou mais fatores de risco da cultura, os ou mais fatores de risco ambientais e um ou mais fatores de risco de gerenciamento de culturas. Os fatores de risco da cultura podem incluir um ou mais de um fator de tipo de semente ou uma maturidade relativa da semente. Os fatores de risco ambientais podem incluir um ou mais riscos ambientais cumulativos, a integral do risco ambiental cumulativo, o risco ambiental cumulativo normalizado ou a integral normalizada do risco ambiental cumulativo e/ou outros cálculos do risco ambiental com base em condições ambientais favoráveis à doença. Os fatores de risco de gerenciamento de culturas podem incluir um ou mais fatores de rotação de culturas, presença ou ausência de fator de preparo do solo, fator de dados de colheita, fator de tipo de preparo do solo, fator de fungicida, fator de irrigação ou fator de umidade do solo.
[00128] Em uma modalidade, o sistema de computador de inteligência agrícola 130 treina um modelo de probabilidade de doença usando dados de treinamento que compreendem um ou mais fatores de risco como entradas e uma presença ou ausência de doença como saídas. Por exemplo, o sistema de computador de inteligência agrícola 130 pode treinar um modelo com base em relatórios de doenças identificadas em um campo, como a ferrugem das folhas do norte e a mancha cinzenta das folhas. O sistema de computador de inteligência agrícola 130 pode receber uma pluralidade de conjuntos de dados de treinamento, cada um dos quais identificando um estado de um ou mais fatores, bem como se a cultura foi observada com a doença ou sem a doença. Por exemplo, um primeiro conjunto de dados de treinamento pode indicar o seguinte: presença de doença = y dias após o plantio = 87 crotação de rop = não preparo do solo = sim tipo de preparo do solo = lavração mínima horas de risco por dia = {3, 5,..., 0} aplicação de fungicida = não irrigação = não maturidade relativa = 93 nível de risco híbrido = 5
[00129] em que o nível de risco híbrido é um risco estimado para um tipo específico de semente híbrida. O nível de risco híbrido pode ser recebido de um ou mais servidores externos com base no tipo de semente híbrida e/ou determinado no sistema de computador de inteligência agrícola 130
[00130] com base no tipo de semente híbrida. O sistema de computador de inteligência agrícola 130 pode converter os dados no conjunto de dados de treinamento em fatores como descritos anteriormente e usar os fatores para treinar um modelo digital de probabilidade de doença.
[00131] Em uma modalidade, o sistema de computador de inteligência agrícola 130 treina modelos de probabilidade de doença para diferentes localizações geográficas. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber, com os conjuntos de dados de treinamento, dados que identificam uma localização do campo, como latitude e longitude. O sistema de computador de inteligência agrícola 130 pode selecionar uma faixa de latitudes e/ou longitudes e treinar um modelo de probabilidade de doença com apenas conjuntos de dados de treinamento associados a locais dentro da faixa de latitudes e/ou longitudes. O modelo treinado de probabilidade de doença com base em conjuntos de dados dentro da faixa de latitudes e/ou longitudes pode ser usado para calcular uma probabilidade de risco de doença para um ou mais locais com latitude e longitude dentro da faixa de latitudes e/ou longitudes. Adicional ou alternativamente, latitude e/ou longitude podem ser usadas como um fator de entrada no modelo de probabilidade da doença.
[00132] Em uma modalidade, o modelo de probabilidade de doença usa uma pluralidade de árvores de decisão geradas aleatoriamente para determinar a probabilidade de início de uma doença específica. Por exemplo, o modelo de probabilidade de doença pode compreender um classificador de floresta aleatório que aceita entradas de um ou mais fatores aqui descritos e gera uma probabilidade de início de uma doença para uma cultura em um determinado dia. O código para implementar um classificador de floresta aleatório está prontamente disponível em sistemas públicos abertos repositórios de código de programa de fonte, como o GITHUB. O classificador de floresta aleatório pode ser usado para modelar a probabilidade da presença de doença por uma pluralidade de dias para um campo específico.
[00133] Em uma modalidade, o modelo de probabilidade de doença calcula a probabilidade de aparecimento da doença ao longo do tempo. Por exemplo, um modelo de regressão de sobrevivência, como o modelo de Risco Proporcional de Cox, pode ser treinado usando um ou mais dos fatores descritos anteriormente como co-variáveis. Como um modelo de regressão de sobrevivência calcula a probabilidade de aparecimento da doença ao longo do tempo, as horas de risco ambiental e/ou os dias de risco podem ser usados como uma variável de duração para o modelo. Adicional ou alternativamente, o sistema de computador de inteligência agrícola 130 pode usar graus-dia de crescimento como variável de duração. Quando o modelo é executado para um campo específico, os dados podem ser agregados para identificar um tempo específico de início. Por exemplo, se o resultado de um modelo de Risco Proporcional de Cox identificar um alto risco de doença após um determinado dia, o sistema de inteligência agrícola 130 pode selecionar o dia determinado como o provável início da doença.
[00134] As técnicas descritas até agora podem ser implementadas por computador para fornecer melhorias em outra tecnologia, por exemplo, patologia de plantas, controle de pragas, agricultura ou gerenciamento agrícola. Por exemplo, na etapa 712, o processo pode modelar o início de uma doença em uma cultura. Na etapa 714, o processo pode modelar a probabilidade de aparecimento futuro da doença. Na etapa 716, o processo pode enviar recomendações de aplicação para um dispositivo de computação gerenciador do campo. Na etapa 718, o processo pode causar a aplicação de um produto, como um fungicida, em um campo. O sistema de computador agrícola pode executar uma ou mais das etapas 712-718. Cada um dos processos descritos nas etapas 712-718 é descrito aqui mais adiante.
[00135] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa as probabilidades de doença para determinar se uma doença específica está atualmente afetando um campo ou afetou um campo. Por exemplo, o sistema de computador de inteligência agrícola 130 pode receber dados de cultura, dados de gerenciamento e dados de risco ambiental para um campo específico de uma ou mais fontes, como um dispositivo de computação gerenciador do campo ou um computador servidor externo. O sistema de computador de inteligência agrícola 130 pode usar a probabilidade da doença para modelar a probabilidade de ocorrência da doença todos os dias desde o plantio. Por exemplo, o sistema de computador de inteligência agrícola 130 pode usar o modelo de floresta aleatória usando diferentes conjuntos de dados, dependendo do dia ou do modelo de Risco Proporcional de Cox para determinar se é provável que a doença tenha aparecido e quando a doença apareceu.
[00136] Em uma modalidade, as probabilidades de doença são usadas para atualizar modelos de produção agrícola e/ou reduzir uma estimativa anterior da produção agrícola. Por exemplo, o sistema de computador de inteligência agrícola 130 pode usar cálculos anteriores do rendimento da cultura e identificações anteriores da doença para determinar um efeito no rendimento da cultura de uma doença específica. Com base na determinação de que a doença específica está atualmente afetando o campo ou afetou o campo, o sistema de computador de inteligência agrícola 130 pode ajustar o rendimento da cultura para a cultura usando o efeito determinado no rendimento da cultura da doença em particular. O valor de rendimento reduzido pode ser enviado a um dispositivo de computação gerenciador do campo para exibição a um gerenciador do campo ou pode ser usado para recomendar o uso de fungicidas e/ou ensaios de fungicidas para os próximos anos.
[00137] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa o modelo de probabilidade de doença para determinar uma probabilidade futura da presença de uma doença na cultura. Por exemplo, o sistema de computador de inteligência agrícola 130 pode usar previsões meteorológicas de quatorze dias para determinar horas ou dias de risco prováveis no futuro. Usando as prováveis horas de risco ou dias de risco no futuro, o sistema de computação de inteligência agrícola 130 pode calcular fatores de risco ambientais estimados para o futuro. O sistema de computador de inteligência agrícola 130 pode então usar um ou mais fatores de risco para a cultura, um ou mais fatores de risco de gerenciamento da cultura e os fatores de risco ambientais estimados para calcular a probabilidade de aparecimento da doença nos próximos quatorze dias.
[00138] O sistema de computador de inteligência agrícola 130 pode usar a probabilidade calculada de presença de uma doença para gerar recomendações de fungicidas. Por exemplo, o sistema de computador de inteligência agrícola 130 pode determinar uma probabilidade de aparecimento da doença na cultura nos próximos quatorze dias usando os métodos aqui descritos. O sistema de computador de inteligência agrícola 130 pode determinar adicionalmente um benefício da aplicação do fungicida. O benefício pode compreender a redução da probabilidade de aparecimento da doença e/ou o aumento do rendimento provável da cultura. Se o sistema de computador de inteligência agrícola 130 determinar que a doença provavelmente se apresentará na cultura nos próximos quatorze dias, o sistema de computador de inteligência agrícola 130 poderá gerar uma recomendação para aplicar fungicida à cultura, reduzindo assim a probabilidade de doença. Ao modelar a probabilidade de ocorrência de doenças no futuro, o sistema de computador de inteligência agrícola 130 é capaz de gerar recomendações que, se implementadas, impedem a ocorrência ou a disseminação da doença.
[00139] Em uma modalidade, as recomendações de fungicidas são enviadas para um dispositivo de computação gerenciador do campo. Por exemplo, o sistema de computador de inteligência agrícola 130 pode fazer com que uma notificação seja exibida no dispositivo de computação gerenciador do campo, identificando um ou mais campos e/ou uma ou mais partes do campo que provavelmente apresentem uma doença específica, desse modo fornecendo ao campo gerenciador a oportunidade de prevenir ou limitar a progressão da doença. A recomendação de fungicida pode identificar um benefício provável no campo da aplicação do fungicida. Por exemplo, o sistema de computador de inteligência agrícola 130 pode calcular uma estimativa de perda de rendimento se a doença se apresentar. Com base na estimativa de perda, o sistema de computador de inteligência agrícola 130 pode determinar um benefício para rendimento da cultura e/ou receita da aplicação do fungicida. A recomendação de fungicida pode identificar o provável aumento no rendimento da cultura e/ou receita para a aplicação do fungicida.
[00140] Adicional ou alternativamente, o sistema de computador de inteligência agrícola 130 pode causar a implementação da recomendação de fungicida em um ou mais campos. Por exemplo, o sistema de computador de inteligência agrícola 130 pode gerar um script que, quando executado por um controlador de aplicação, faz com que o controlador de aplicação controle um implemento do campo que libera fungicida em um campo. Assim, o sistema de computador de inteligência agrícola 130 pode determinar se é provável que uma doença se apresente dentro de um período de tempo específico e, em resposta, cause a prevenção da doença através da aplicação de um fungicida.
[00141] Em uma modalidade, o sistema de computador de inteligência agrícola 130 monitora continuamente valores para um campo particular, a fim de determinar quando aplicar um fungicida. Por exemplo, se o sistema de computador de inteligência agrícola 130 tiver acesso a previsões de quatorze dias, o sistema de computador de inteligência agrícola 130 poderá calcular periodicamente a probabilidade de uma doença se apresentar dentro de quatorze dias após o cálculo. Assim, à medida que a estação de crescimento avança, o sistema de computador de inteligência agrícola 130 pode rastrear a probabilidade de ocorrência de doenças em campo e gerar recomendações de fungicidas à medida que a probabilidade aumenta. Por exemplo, o sistema de computador de inteligência agrícola 130 pode fazer novos cálculos a cada sete dias usando previsões de quatorze dias. Quando o sistema de computador de inteligência agrícola 130 detecta a provável ocorrência da doença em um cálculo, o sistema de computação de inteligência agrícola 130 pode gerar uma recomendação de fungicida.
[00142] Em uma modalidade, o sistema de computador de inteligência agrícola 130 usa os cálculos do risco de doença para recomendar ações diferentes para o gerenciador do campo nas próximas estações. Por exemplo, se o sistema de computador de inteligência agrícola 130 determinar que a doença é apresentada no campo, o sistema de computador de inteligência agrícola 130 pode calcular a probabilidade de a doença ter apresentado um tipo diferente de preparo do solo, tipo diferente de semente híbrida plantada, tipo diferente de colheita, rotação da cultura ou uma ou mais outras práticas de gerenciamento diferentes, usando os métodos aqui descritos. Por exemplo, se o preparo do solo mínimo foi usado inicialmente, o sistema de computador de inteligência agrícola 130 pode calcular a probabilidade de que a doença se apresentar se o preparo do solo convencional for usado. Se o sistema de computador de inteligência agrícola 130 determinar que a alteração do tipo de preparo do solo provavelmente faria com que a doença não se apresentasse e/ou reduzisse a quantidade de fungicida necessário para impedir que a doença se apresentasse, o sistema de computador agrícola de inteligência 130 poderia recomendar a alteração do tipo de preparo do solo para as estações futuras.
[00143] Inúmeros benefícios e melhorias fornecidos pelas técnicas aqui descritas foram descritos na seção anterior. Além disso, usando as técnicas descritas neste documento, um dispositivo de computação pode rastrear o risco de uma doença que afeta as culturas em um campo. O sistema de computador de inteligência agrícola 130 pode então agir sobre esse risco, fornecendo um dispositivo de computação gerenciador do campo com uma recomendação para evitar danos à cultura com base no risco e/ou controlando um implemento no campo e fazendo com que o implemento libere fungicida no campo. Ao fazer isso, o sistema de computador de inteligência agrícola 130 fornece dados que podem ser usados para proteger as culturas, aumentar o rendimento das culturas e gerar modelos digitais mais fortes da cultura durante o desenvolvimento.
[00144] No Relatório Descritivo anterior, as modalidades foram descritas com referência a vários detalhes específicos que podem variar de implementação para implementação. O Relatório Descritivo e os Desenhos devem, portanto, ser considerados em um sentido ilustrativo, e não restritivo. O único e exclusivo indicador do escopo da divulgação, e o que os requerentes pretendem que seja o escopo da divulgação, é o escopo literal e equivalente do conjunto de Reivindicações que emite este pedido, na forma específica em que emissão de tais Reivindicações, incluindo qualquer correção subsequente.
Claims (14)
1. Sistema de Computador, caracterizado pelo fato de que compreende: um ou mais processadores (404); uma memória (406) que armazena instruções que, quando executadas pelos um ou mais processadores (404), desempenham: receber dados de risco ambiental, dados de culturas e dados de gerenciamento de culturas relacionados a uma ou mais culturas em um campo; calcular um ou mais fatores de risco de culturas com base, pelo menos em parte, nos dados da cultura; calcular um ou mais fatores de risco ambiental com base, pelo menos em parte, nos dados de risco ambiental, os fatores de risco ambiental compreendendo um risco cumulativo de doença e uma integral do risco cumulativo de doença; calcular um ou mais fatores de risco de gerenciamento de cultura com base, pelo menos em parte, nos dados de gerenciamento da cultura; usar um modelo digital de probabilidade de doença, calcular uma probabilidade de início de uma doença específica para uma ou mais culturas no campo com base, pelo menos em parte, em um ou mais fatores de risco da cultura, em um ou mais fatores de risco ambientais e em um ou mais fatores de risco de gerenciamento de culturas, o modelo digital de probabilidade de doença tendo sido treinado usando um conjunto de dados de treinamento compreendendo pelo menos fatores de risco de cultura, fatores de risco ambientais compreendendo o risco cumulativo de doença e a integral de risco cumulativo de doença, fatores de risco de gerenciamento e ocorrências ou não-ocorrências de doença, em que os fatores de rico de cultura, fatores de risco ambiental e fatores de risco de gerencialmente são usados como entradas de treinamento e a ocorrência ou não-ocorrência de doenças é usada como saídas de treinamento; com base, pelo menos em parte, na probabilidade de início de uma doença específica, enviar, para um controlador de aplicação (114), um ou mais scripts, em que o um ou mais scripts são executados pelo controlador de aplicação (114), para fazer com que o controlador de aplicação (114) faça com que uma implementação no campo libere fungicida em uma ou mais porções do campo.
2. Sistema de Computador, de acordo com a reivindicação 1, caracterizado pelo fato de que as instruções, quando executadas pelo um ou mais processadores (404), ainda compreendem: usar a probabilidade de início da doença específica para uma ou mais culturas no campo, determinando um benefício da aplicação de um fungicida no campo; enviar, para um dispositivo de computação gerenciador do campo, uma recomendação de fungicida que identifica o benefício da aplicação do fungicida no campo.
3. Sistema de Computador, de acordo com a reivindicação 1, caracterizado pelo fato de que o modelo digital de probabilidade de doença compreende um modelo de floresta aleatório.
4. Sistema de Computador, de acordo com a reivindicação 1, caracterizado pelo fato de que o modelo digital de probabilidade de doença compreende um modelo de regressão de sobrevivência.
5. Sistema de Computador, de acordo com a reivindicação 1, caracterizado pelo fato de que um ou mais fatores de risco de gerenciamento de culturas incluem um primeiro fator que indica um número de dias após o plantio da cultura, um segundo fator com base na ocorrência ou não-ocorrência de rotação de culturas e um terceiro fator baseado no tipo de preparo do solo.
6. Sistema de Computador, de acordo com a reivindicação 1, caracterizado pelo fato de que um ou mais fatores de risco de cultura incluem um primeiro fator que identifica uma maturidade relativa da cultura e um segundo fator que identifica uma tolerância de uma semente da cultura.
7. Sistema de Computador, de acordo com a reivindicação 1, caracterizado pelo fato de que as instruções, quando executadas por um ou mais processadores (404), compreendem ainda: receber dados de umidade do solo indicando umidade do solo para o campo; calcular um fator de umidade do solo a partir dos dados de umidade do solo; realizar cálculo da probabilidade de início da doença específica para uma ou mais culturas no campo com base, pelo menos em parte, no fator de umidade do solo.
8. Método, caracterizado pelo fato de compreende: receber dados de risco ambiental, dados de culturas e dados de gerenciamento de culturas relacionados a uma ou mais culturas em um campo; calcular um ou mais fatores de risco de culturas com base, pelo menos em parte, nos dados da cultura; calcular um ou mais fatores de risco ambiental com base, pelo menos em parte, nos dados de risco ambiental, os dados de risco ambiental compreendendo um risco cumulativo de doença e uma integral de risco cumulativo de doença; calcular um ou mais fatores de risco de gerenciamento de cultura com base, pelo menos em parte, nos dados de gerenciamento da cultura; usar um modelo digital de probabilidade de doença, calcular uma probabilidade de início de uma doença específica para uma ou mais culturas no campo com base, pelo menos em parte, em um ou mais fatores de risco da cultura, em ou mais fatores de risco ambientais e o um ou mais fatores de risco de gerenciamento de culturas, o modelo digital de probabilidade de doença tendo sido treinado para usar um conjunto de dados de treinamento compreendendo pelo menos fatores de risco de cultura, fatores de risco ambiental compreendendo risco cumulativo de doença e a integral de risco cumulativo de doença, fatores de risco de gerenciamento e ocorrência ou não-ocorrência de doença, em que os fatores de risco de cultura, fatores de risco ambiental e fatores de risco de gerenciamento são usados como entradas de treinamento e a ocorrência ou não-ocorrência de doença é usada como saída de treinamento; com base, pelo menos em parte, na probabilidade de início de uma doença específica, enviar, a um controlador de aplicação (114), um ou mais scripts (230), em que o um ou mais scripts (230) são executados pelo controlador de aplicação (114) para fazer com que o controlador de aplicação (114) faça uma implementação no campo liberando fungicida em uma ou mais porções do campo.
9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que compreende ainda: usar a probabilidade de início da doença específica para a uma ou mais culturas no campo, determinando um benefício da aplicação de um fungicida no campo; enviar, para um dispositivo de computação gerenciador do campo (104), uma recomendação de fungicida que identifica o benefício da aplicação do fungicida no campo.
10. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que o modelo digital de probabilidade de doença compreende um modelo de floresta aleatório.
11. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que o modelo digital de probabilidade de doença compreende um modelo de regressão de sobrevivência.
12. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que um ou mais fatores de risco de gerenciamento de culturas incluem um primeiro fator que indica um número de dias após o plantio da cultura, um segundo fator com base na ocorrência ou não- ocorrência de rotação de culturas e um terceiro fator baseado no tipo de preparo do solo.
13. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que um ou mais fatores de risco de cultura incluem um primeiro fator que identifica uma maturidade relativa da cultura e um segundo fator que identifica uma tolerância à doença de uma semente da cultura.
14. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que as instruções, quando executadas por um ou mais processadores (404), compreendem ainda: receber dados de umidade do solo indicando umidade do solo para o campo; calcular um fator de umidade do solo a partir dos dados de umidade do solo; realizar o cálculo da probabilidade de início da doença específica para uma ou mais culturas no campo com base, pelo menos em parte, no fator de umidade do solo.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/820,322 US11151500B2 (en) | 2017-11-21 | 2017-11-21 | Digital modeling of disease on crops on agronomic fields |
| US15/820,322 | 2017-11-21 | ||
| PCT/US2018/059880 WO2019103851A1 (en) | 2017-11-21 | 2018-11-08 | Digital modeling of disease on crops on agronomics fields |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112020010226A2 BR112020010226A2 (pt) | 2020-11-10 |
| BR112020010226B1 true BR112020010226B1 (pt) | 2022-08-16 |
Family
ID=66532461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112020010226-1A BR112020010226B1 (pt) | 2017-11-21 | 2018-11-08 | Sistema de computador e método de modelagem digital de doenças em culturas em campos agronômicos |
Country Status (9)
| Country | Link |
|---|---|
| US (2) | US11151500B2 (pt) |
| EP (1) | EP3714411A4 (pt) |
| CN (1) | CN111373425A (pt) |
| AR (1) | AR113527A1 (pt) |
| AU (1) | AU2018372705A1 (pt) |
| BR (1) | BR112020010226B1 (pt) |
| CA (1) | CA3082815C (pt) |
| WO (1) | WO2019103851A1 (pt) |
| ZA (1) | ZA202003588B (pt) |
Families Citing this family (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| US11568340B2 (en) * | 2017-11-09 | 2023-01-31 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
| US11151500B2 (en) | 2017-11-21 | 2021-10-19 | The Climate Corporation | Digital modeling of disease on crops on agronomic fields |
| US11710196B2 (en) | 2018-04-24 | 2023-07-25 | Indigo Ag, Inc. | Information translation in an online agricultural system |
| US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
| US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
| US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
| US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
| US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
| US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
| US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
| US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
| US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
| US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
| US11937527B2 (en) * | 2019-07-31 | 2024-03-26 | Cnh Industrial America Llc | System and method for determining residue coverage within a field following a harvesting operation |
| US11610272B1 (en) * | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
| US11715024B1 (en) * | 2020-02-20 | 2023-08-01 | Arva Intelligence Corp. | Estimating soil chemistry at different crop field locations |
| US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
| US11631475B2 (en) * | 2020-05-26 | 2023-04-18 | Ecoation Innovative Solutions Inc. | Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents |
| US11651452B2 (en) | 2020-08-12 | 2023-05-16 | Nutrien Ag Solutions, Inc. | Pest and agronomic condition prediction and alerts engine |
| CN111967600B (zh) * | 2020-08-18 | 2021-09-14 | 北京睿知图远科技有限公司 | 一种风控场景下基于遗传算法的特征衍生方法 |
| US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
| US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
| US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
| US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
| US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
| US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
| US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
| US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
| US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
| US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
| US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
| US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
| US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
| US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
| US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
| US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
| US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
| US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
| US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
| US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
| US20220110253A1 (en) * | 2020-10-09 | 2022-04-14 | Deere & Company | Machine control using a predictive map |
| US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
| EP4022556A4 (en) * | 2020-11-18 | 2022-07-06 | Hijo Ip Pte Ltd. | CROP DISEASE PREDICTION AND TREATMENT BASED ON ARTIFICIAL INTELLIGENCE (AI) AND MACHINE LEARNING (ML) MODELS |
| EP4047541A1 (en) * | 2021-02-23 | 2022-08-24 | Bayer AG | Controlling stemphylium vesicarium in allium crops |
| WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
| CA3230474A1 (en) | 2021-08-31 | 2023-03-09 | Eleanor Elizabeth Campbell | Systems and methods for ecosystem credit recommendations |
| CN114298615A (zh) * | 2022-03-09 | 2022-04-08 | 浙江大学 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
| US20240119542A1 (en) * | 2022-10-05 | 2024-04-11 | Climate Llc | Systems And Methods For Assessing Crop Damaging Factors Associated With Agronomic Fields |
| CN116029558A (zh) * | 2023-03-28 | 2023-04-28 | 矿冶科技集团有限公司 | 尾矿库安全风险预警方法、装置及电子设备 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6937939B1 (en) * | 1999-07-08 | 2005-08-30 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system |
| US20060282228A1 (en) | 2005-06-10 | 2006-12-14 | Pioneer Hi-Bred International, Inc. | Method and system for use of environmental classification in precision farming |
| WO2008083062A1 (en) * | 2006-12-29 | 2008-07-10 | Pioneer Hi-Bred International, Inc. | Automated location-based information recall |
| KR20090074884A (ko) * | 2008-01-03 | 2009-07-08 | 순천대학교 산학협력단 | 유비쿼터스 영농일지 시스템 |
| US9311449B2 (en) * | 2011-05-17 | 2016-04-12 | The Johns Hopkins University | Hospital unit demand forecasting tool |
| US20140058881A1 (en) * | 2012-08-24 | 2014-02-27 | Neucadia, Llc | System and Process for Crop Scouting and Pest Cure Recommendation |
| CN103034910B (zh) * | 2012-12-03 | 2016-03-09 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
| ES2764477T3 (es) * | 2013-07-17 | 2020-06-03 | Be Seen Be Safe Ltd | Sistemas y métodos para monitorizar el movimiento del campo de enfermedad |
| CA3195750A1 (en) | 2013-11-06 | 2015-05-14 | The Texas A & M University System | Fungal endophytes for improved crop yields and protection from pests |
| CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
| US20160063639A1 (en) * | 2014-08-26 | 2016-03-03 | David P. Groeneveld | System and Method to Assist Crop Loss Adjusting of Variable Impacts Across Agricultural Fields Using Remotely-Sensed Data |
| US11080798B2 (en) * | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
| US10349584B2 (en) * | 2014-11-24 | 2019-07-16 | Prospera Technologies, Ltd. | System and method for plant monitoring |
| US9880537B2 (en) * | 2015-08-05 | 2018-01-30 | Clearag, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
| WO2017205957A1 (en) * | 2016-06-01 | 2017-12-07 | 9087-4405 Quebec Inc. | Remote access system and method for plant pathogen management |
| US9563852B1 (en) | 2016-06-21 | 2017-02-07 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
| CN107609666B (zh) * | 2016-07-12 | 2021-04-16 | 塔塔咨询服务公司 | 使用历史农药使用信息进行害虫预测的系统和方法 |
| US11151500B2 (en) | 2017-11-21 | 2021-10-19 | The Climate Corporation | Digital modeling of disease on crops on agronomic fields |
-
2017
- 2017-11-21 US US15/820,322 patent/US11151500B2/en active Active
-
2018
- 2018-11-08 WO PCT/US2018/059880 patent/WO2019103851A1/en unknown
- 2018-11-08 CA CA3082815A patent/CA3082815C/en active Active
- 2018-11-08 BR BR112020010226-1A patent/BR112020010226B1/pt active IP Right Grant
- 2018-11-08 AU AU2018372705A patent/AU2018372705A1/en active Pending
- 2018-11-08 EP EP18880335.7A patent/EP3714411A4/en active Pending
- 2018-11-08 CN CN201880075481.9A patent/CN111373425A/zh active Pending
- 2018-11-21 AR ARP180103401A patent/AR113527A1/es active IP Right Grant
-
2020
- 2020-06-15 ZA ZA2020/03588A patent/ZA202003588B/en unknown
-
2021
- 2021-10-15 US US17/502,153 patent/US11797901B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20220036263A1 (en) | 2022-02-03 |
| US20190156255A1 (en) | 2019-05-23 |
| EP3714411A1 (en) | 2020-09-30 |
| CN111373425A (zh) | 2020-07-03 |
| US11797901B2 (en) | 2023-10-24 |
| BR112020010226A2 (pt) | 2020-11-10 |
| AU2018372705A1 (en) | 2020-06-18 |
| ZA202003588B (en) | 2022-01-26 |
| CA3082815C (en) | 2023-03-07 |
| AR113527A1 (es) | 2020-05-13 |
| US11151500B2 (en) | 2021-10-19 |
| EP3714411A4 (en) | 2021-08-25 |
| CA3082815A1 (en) | 2019-05-31 |
| WO2019103851A1 (en) | 2019-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11797901B2 (en) | Digital modeling of disease on crops on agronomics fields | |
| US10527754B2 (en) | Long-range temperature forecasting | |
| US20230177622A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| US20190138962A1 (en) | Hybrid seed selection and seed portfolio optimization by field | |
| BR112021000429A2 (pt) | Geração de mapas de produtividade agronômica a partir de imagens de saúde de campo | |
| BR112020003688B1 (pt) | Método e sistema para modelagem digital e rastreamento de campos para implementação de testes de campo agrícola | |
| BR112021007121A2 (pt) | uso de predições de umidade de colheita de sementes com base em aprendizado por máquina para melhorar uma operação agrícola de fazenda assistida por computador | |
| BR112020010224A2 (pt) | cálculo de risco de fator de dano à cultura para cultura em campo agronômico | |
| BR112020022715A2 (pt) | análise e apresentação de dados agrícolas | |
| BR112019018057B1 (pt) | Método implementado por computador para selecionar localizações em um campo para amostragem de tratamento | |
| BR112018007672B1 (pt) | Método implementado por computador para determinar e apresentar uma recomendação de taxa de semeadura melhorada e aparelho correlato | |
| BR112018011989B1 (pt) | Método para geração de modelos digitais de rendimento relativo de uma cultura e um ou mais meios legíveis por computador não transitórios | |
| BR112017026437B1 (pt) | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos | |
| BR112021001667A2 (pt) | previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos | |
| BR112018070806B1 (pt) | Método e sistema de processamento de dados para estimar valores de ajuste de precipitação | |
| BR112020023684A2 (pt) | estudo de cultivo cruzado e direcionamento de campo | |
| BR112021002525A2 (pt) | aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico | |
| US11906621B2 (en) | Quantitative precipitation estimate quality control | |
| BR112021010115A2 (pt) | Utilizando modelos estatísticos espaciais para implementar ensaios agronômicos | |
| BR112018071870B1 (pt) | Método e sistema de processamento de dados |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 08/11/2018, OBSERVADAS AS CONDICOES LEGAIS |
|
| B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |